Шаг 1: Создание синтетического изображения

Используйте функцию помощника, propsSynthesizeImage, чтобы создать изображение в оттенках серого, содержащее пять различных областей.

I = propsSynthesizeImage;
imshow(I)
title('Synthetic Image')

Шаг 2: Создание двоичного изображения

Сегментация изображения в оттенках серого путем создания двоичного изображения, содержащего объекты в изображении.

BW = I > 0;
imshow(BW)
title('Binary Image')

Шаг 3: Расчет свойств объекта с использованием значений пикселов изображения в градациях серого

regionprops функционируйте поддерживает несколько свойств, которые могут использоваться с изображениями оттенков серого, включая 'WeightedCentroid', 'MeanIntensity', 'MinIntensity' и 'MaxIntensity'. В этих свойствах используются исходные значения пикселов объектов для их вычислений.

Например, можно использовать regionprops для вычисления центроида и взвешенного центроида объектов на изображении. Обратите внимание, как выполняется передача двоичного изображения (BW), содержащий объекты и исходное изображение в градациях серого (I) в качестве аргументов в regionprops.

s = regionprops(BW,I,{'Centroid','WeightedCentroid'});

Чтобы сравнить расположения взвешенных центроидов с расположениями невзвешенных центроидов, отобразите исходное изображение, а затем с помощью hold и plot функции, наложить центроиды на изображение.

imshow(I)
title('Weighted (red) and Unweighted (blue) Centroids'); 
hold on
numObj = numel(s);
for k = 1 : numObj
    plot(s(k).WeightedCentroid(1), s(k).WeightedCentroid(2), 'r*')
    plot(s(k).Centroid(1), s(k).Centroid(2), 'bo')
end
hold off

Шаг 4: Расчет пользовательских свойств на основе значения пикселя

Свойство «PixelValues» можно использовать для выполнения пользовательских вычислений на основе значений пикселов исходного изображения в градациях серого. Свойство PixelValues возвращает вектор, содержащий значения оттенков серого для пикселов в области.

В качестве примера вычислите стандартное отклонение каждой области.

s = regionprops(BW,I,{'Centroid','PixelValues','BoundingBox'});
imshow(I)
title('Standard Deviation of Regions')
hold on
for k = 1 : numObj
    s(k).StandardDeviation = std(double(s(k).PixelValues));
    text(s(k).Centroid(1),s(k).Centroid(2), ...
        sprintf('%2.1f', s(k).StandardDeviation), ...
        'EdgeColor','b','Color','r');
end
hold off

На этом рисунке показано измерение стандартного отклонения, наложенное на каждый объект изображения. Можно также просматривать результаты другими способами, например в виде штрих-графика, показывающего стандартное отклонение по номеру метки.

figure
bar(1:numObj,[s.StandardDeviation])
xlabel('Region Label Number')
ylabel('Standard Deviation')

Для определения способа разделения данных можно использовать график. Например, следующий код идентифицирует объекты со стандартным отклонением ниже 50.

sStd = [s.StandardDeviation];
lowStd = find(sStd < 50);

imshow(I)
title('Objects Having Standard Deviation < 50')
hold on
for k = 1 : length(lowStd)
    rectangle('Position',s(lowStd(k)).BoundingBox,'EdgeColor','y');
end
hold off