Чтение изображения в рабочую область.

I = imread('cameraman.tif');
imshow(I)
title('Original Image')

Сегментируйте изображение на три области с помощью k-means кластеризации.

[L,Centers] = imsegkmeans(I,3);
B = labeloverlay(I,L);
imshow(B)
title('Labeled Image')

Чтение изображения в рабочую область. Уменьшите размер изображения, чтобы ускорить выполнение примера.

RGB = imread('kobi.png');
RGB = imresize(RGB,0.5);
imshow(RGB)

Сегментируйте изображение на две области с помощью k-means кластеризации.

L = imsegkmeans(RGB,2);
B = labeloverlay(RGB,L);
imshow(B)
title('Labeled Image')

Несколько пикселей имеют неправильную метку. В остальном примере показано, как улучшить сегментацию k-средств путем дополнения информации о каждом пикселе.

Дополните изображение информацией о текстуре в окрестности каждого пикселя. Чтобы получить информацию о текстуре, отфильтруйте версию изображения в градациях серого с помощью набора фильтров Габора.

Создайте набор из 24 габорских фильтров, охватывающих 6 длин волн и 4 ориентации.

wavelength = 2.^(0:5) * 3;
orientation = 0:45:135;
g = gabor(wavelength,orientation);

Преобразование изображения в градации серого.

I = rgb2gray(im2single(RGB));

Фильтрация изображения в оттенках серого с помощью фильтров Габора. Отображение 24 отфильтрованных изображений в монтаже.

gabormag = imgaborfilt(I,g);
montage(gabormag,'Size',[4 6])

Сглаживание каждого отфильтрованного изображения для удаления локальных вариаций. Отображение сглаженных изображений в монтаже.

for i = 1:length(g)
    sigma = 0.5*g(i).Wavelength;
    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i),3*sigma); 
end
montage(gabormag,'Size',[4 6])

Дополните информацию о каждом пикселе пространственной информацией о местоположении. Эта дополнительная информация позволяет алгоритму кластеризации k-means отдавать предпочтение группировкам, которые близки друг к другу пространственно.

Получение координат x и y всех пикселей во входном изображении.

nrows = size(RGB,1);
ncols = size(RGB,2);
[X,Y] = meshgrid(1:ncols,1:nrows);

Объедините информацию об интенсивности, информацию о текстуре окрестностей и пространственную информацию о каждом пикселе.

В этом примере набор элементов включает изображение интенсивности I вместо исходного цветного изображения, RGB. Информация о цвете отсутствует в наборе признаков, так как желтый цвет меха собаки похож на желтый оттенок плитки. Цветовые каналы не дают достаточно четкой информации о собаке и фоне, чтобы сделать чистую сегментацию.

featureSet = cat(3,I,gabormag,X,Y);

Сегментируйте изображение на две области с помощью k-means кластеризации с дополненным набором элементов.

L2 = imsegkmeans(featureSet,2,'NormalizeInput',true);
C = labeloverlay(RGB,L2);
imshow(C)
title('Labeled Image with Additional Pixel Information')

Чтение изображения в рабочую область.

I = imread('peppers.png');
imshow(I)
title('Original Image')

Сегментируйте изображение на 50 областей с помощью кластеризации k-means. Возврат матрицы меток L и расположения центроидов кластера C. Расположение центроидов кластера - это значения RGB каждого из 50 цветов.

[L,C] = imsegkmeans(I,50);

Преобразование матрицы меток в изображение RGB. Укажите расположения центроидов кластера, C, в качестве карты цветов для нового изображения.

J = label2rgb(L,im2double(C));

Отображение квантованного изображения.

imshow(J)
title('Color Quantized Image')

Запишите исходные и сжатые изображения в файл. Квантованный файл изображения приблизительно равен четверти размера исходного файла изображения.

imwrite(I,'peppersOriginal.png');
imwrite(J,'peppersQuantized.png');