Шаг 1: Получить изображение

Читайте в fabric.png изображение, представляющее собой изображение красочной ткани.

fabric = imread('fabric.png');
imshow(fabric)
title('Fabric')

Шаг 2: Вычислите выборки цветов в L * a * b * цветовом пространстве для каждой области

На изображении можно увидеть шесть основных цветов: цвет фона, красный, зеленый, фиолетовый, желтый и пурпурный. Заметьте, как легко вы можете визуально отличить эти цвета друг от друга. Пространство цветов L * a * b * (также известное как CIELAB или CIE L * a * b *) позволяет вам количественно оценить эти визуальные различия.

Цветовое пространство L * a * b * определяется из значений CIE XYZ tristimulus. Пространство L * a * b * состоит из слоя светимости 'L *' или яркости, слоя цветности 'a *', указывающего, где цвет падает вдоль красно-зеленой оси, и слоя цветности 'b *', указывающего, где цвет падает вдоль сине-желтой оси.

Ваш подход состоит в том, чтобы выбрать небольшую область выборки для каждого цвета и вычислить средний цвет каждой области выборки в пространстве 'a * b *'. Вы будете использовать эти маркеры цвета для классификации каждого пикселя.

Чтобы упростить этот пример, загрузите координаты области, которые хранятся в MAT-файле.

load regioncoordinates;

nColors = 6;
sample_regions = false([size(fabric,1) size(fabric,2) nColors]);

for count = 1:nColors
  sample_regions(:,:,count) = roipoly(fabric,region_coordinates(:,1,count), ...
                                      region_coordinates(:,2,count));
end

imshow(sample_regions(:,:,2))
title('Sample Region for Red')

Преобразуйте изображение RGB ткани в изображение L * a * b * с помощью rgb2lab .

lab_fabric = rgb2lab(fabric);

Вычислите среднее значение 'a *' и 'b *' для каждой области, которую вы извлекли с помощью roipoly. Эти значения служат вашими цветовыми маркерами в пространстве 'a * b *'.

a = lab_fabric(:,:,2);
b = lab_fabric(:,:,3);
color_markers = zeros([nColors, 2]);

for count = 1:nColors
  color_markers(count,1) = mean2(a(sample_regions(:,:,count)));
  color_markers(count,2) = mean2(b(sample_regions(:,:,count)));
end

Например, средний цвет красной области выборки в пространстве 'a * b *'

fprintf('[%0.3f,%0.3f] \n',color_markers(2,1),color_markers(2,2));

[69.828,20.106] 

Шаг 3: Классификация каждого пикселя с помощью правила ближайшего соседа

Каждый цветовой маркер теперь имеет значение 'a *' и 'b *'. Можно классифицировать каждый пиксель в lab_fabric изображение путем вычисления Евклидова расстояния между этим пикселем и каждым цветовым маркером. Наименьшее расстояние подскажет, что пиксель наиболее близко совпадает с этим цветовым маркером. Для примера, если расстояние между пикселем и красным цветовым маркером является наименьшим, то пиксель будет помечен как красный пиксель.

Создайте массив, который содержит ваши цветовые метки, т.е., 0 = фон, 1 = красный, 2 = зеленый, 3 = фиолетовый, 4 = пурпурный и 5 = желтый.

color_labels = 0:nColors-1;

Инициализируйте матрицы, которые будут использоваться в ближайшей соседней классификации.

a = double(a);
b = double(b);
distance = zeros([size(a), nColors]);

Выполните классификацию

for count = 1:nColors
  distance(:,:,count) = ( (a - color_markers(count,1)).^2 + ...
                      (b - color_markers(count,2)).^2 ).^0.5;
end

[~,label] = min(distance,[],3);
label = color_labels(label);
clear distance;

Шаг 4: отображение результатов классификации ближайших соседей

Матрица меток содержит цветовую метку для каждого пикселя в изображении ткани. Используйте матрицу меток, чтобы разделить объекты в исходном изображении ткани по цвету.

rgb_label = repmat(label,[1 1 3]);
segmented_images = zeros([size(fabric), nColors],'uint8');

for count = 1:nColors
  color = fabric;
  color(rgb_label ~= color_labels(count)) = 0;
  segmented_images(:,:,:,count) = color;
end 

Отобразите пять сегментированных цветов как монтаж. Также отображаются пиксели фона в изображении, которые не классифицируются как цвет.

montage({segmented_images(:,:,:,2),segmented_images(:,:,:,3) ...
    segmented_images(:,:,:,4),segmented_images(:,:,:,5) ...
    segmented_images(:,:,:,6),segmented_images(:,:,:,1)});
title("Montage of Red, Green, Purple, Magenta, and Yellow Objects, and Background")

Шаг 5: отображение значений маркированных цветов 'a *' и 'b *'

Можно увидеть, как хорошо классификация ближайших соседей разделила различные цветовые населения путем построения графиков значений 'a *' и 'b *' для пикселей, которые были классифицированы в отдельные цвета. В целях отображения пометьте каждую точку цветовой меткой.

purple = [119/255 73/255 152/255];
plot_labels = {'k', 'r', 'g', purple, 'm', 'y'};

figure
for count = 1:nColors
  plot(a(label==count-1),b(label==count-1),'.','MarkerEdgeColor', ...
       plot_labels{count}, 'MarkerFaceColor', plot_labels{count});
  hold on;
end
  
title('Scatterplot of the segmented pixels in ''a*b*'' space');
xlabel('''a*'' values');
ylabel('''b*'' values');