Изображение сегмента в передний план и фон с помощью итеративной основанной на графике сегментации
BW = grabcut(___,Name,Value)
Считайте изображение RGB в рабочую область.
RGB = imread('peppers.png');Сгенерируйте матрицу метки.
L = superpixels(RGB,500);
Задайте необходимую область и создайте рисунок маски.
figure imshow(RGB) h1 = drawpolygon(gca,'Position',[72,105; 1,231; 0,366; 104,359;... 394,307; 518,343; 510,39; 149,72]);
roiPoints = h1.Position; roi = poly2mask(roiPoints(:,1),roiPoints(:,2),size(L,1),size(L,2));
Выполните операцию сокращения захвата, задав оригинальное изображение, матрицу метки и ROI.
BW = grabcut(RGB,L,roi); figure imshow(BW)
Создайте замаскированное изображение.
maskedImage = RGB; maskedImage(repmat(~BW,[1 1 3])) = 0; figure; imshow(maskedImage)
Загрузите 3-D объемные данные.
load mristack
V = mristack;Создайте 2D маску для начального переднего плана и фоновых точек seed.
seedLevel = 10; fseed = V(:,:,seedLevel) > 75; bseed = V(:,:,seedLevel) == 0;
Отобразите передний план и фоновые точки seed.
imshow(fseed)
imshow(bseed)
Поместите точки seed в пустую 3-D маску.
fmask = zeros(size(V)); bmask = fmask; fmask(:,:,seedLevel) = fseed; bmask(:,:,seedLevel) = bseed;
Создайте начальную необходимую область.
roi = false(size(V)); roi(10:end-10,10:end-10,:) = true;
Сгенерируйте матрицу метки.
L = superpixels3(V,500);
Выполните GrabCut.
bw = grabcut(V,L,roi,fmask,bmask);
Отобразите 3D сегментированное изображение.
montage(reshape(bw,size(V)))
A — Отобразите, чтобы сегментироватьсяВведите изображение или объем в виде 2D полутонового изображения, 2D изображение истинного цвета или 3-D полутоновый объем. Только полутоновые изображения могут быть типом данных int16.
Типы данных: single | double | int16 | uint8 | uint16
L — Матрица меткиМатрица метки в виде числового массива.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | logical
ROI — Необходимая областьНеобходимая область в виде логического массива. Все пиксели, которые задают необходимую область, равны true.
Типы данных: логический
foremask — Приоритетная маскаПриоритетная маска в виде логического массива.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | logical
backmask — Фоновая маскаФоновая маска в виде логического массива.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | logical
foreind — Индексы пикселей на переднем планеИндексы пикселей на переднем плане в виде вектора из линейных индексов.
Типы данных: double
backind — Индексы пикселей в фонеИндексы пикселей в фоне в виде вектора из линейных индексов.
Типы данных: double
Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
BW = grabcut(A,L,ROI,'Connectivity',4)'Connectivity' — Возможность соединения связанных компонентовВозможность соединения связанных компонентов в виде одного из следующих значений. Возможность соединения по умолчанию 8 для 2D изображений, и 26 для 3-D изображений.
Значение | Значение |
|---|---|
Двумерные возможности соединения | |
4 | Связанное с 4 окружение
|
8 | Связанное с 8 окружение
|
3D возможности соединения | |
6 | Связанное с 6 окружение
|
18 | Связанное с 18 окружение
|
26 | Связанное с 26 окружение
|
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64
'MaximumIterations' — Максимальное количество итерацийМаксимальное количество итераций выполняется алгоритмом. Алгоритм может сходиться к решению прежде, чем достигнуть максимального количества итераций.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64
Для double и single изображения, grabcut принимает область значений изображения, чтобы быть [0 1]. Для uint16int16, и uint8 изображения, grabcut принимает область значений, чтобы быть полным спектром для типа определенных данных.
Для полутоновых изображений, размера L, foremask, и backmask должен совпадать с размером изображения A. Для цвета и многоканальных изображений, L, foremask, и backmask должны быть 2D массивы с первыми двумя размерностями, идентичными первым двум размерностям изображения A.
Алгоритм обрабатывает все подобласти полностью или пространственно вне маски ROI как принадлежащий фону. Чтобы получить оптимальную сегментацию, убедитесь, что объект, который будет сегментирован, полностью содержится в ROI, окруженном небольшим количеством фоновых пикселей.
Не отмечайте подобласть матрицы метки как принадлежащий и приоритетной маске и фоновой маске. Если область матрицы метки содержит пиксели, принадлежащие и приоритетной маске и фоновой маске, алгоритм эффективно обрабатывает область как не отмеченную.
Алгоритм принимает, что все подобласти вне необходимой области принадлежат фону. Отмечание одной из этих подобластей как принадлежащий переднему плану или фоновой маске не оказывает влияния на получившуюся сегментацию.
[1] Rother, C., В. Кольмогоров и А. Блэйк. "GrabCut - Интерактивная Приоритетная Экстракция с помощью Выполненных с помощью итераций Сокращений Графика". Транзакции ACM на Графике (SIGGRAPH). Издание 23, Номер 3, 2004, стр 309–314.