精华内容
下载资源
问答
  • 【图像分割】基于matlab超像素图像分割【含Matlab源码 720期】
    千次阅读
    2021-04-07 00:44:41

    一、图像分割简介

    理论知识参考:【基础教程】基于matlab图像处理图像分割【含Matlab源码 191期】

    二、部分源代码

    % 能够确定超像素位置的核心程序是  EnforceLabelConnectivity
    % 11-123页码 
    clc
    clear
    close all;
    tic
    img = imread('bee.jpg');
    imshow(img)
    title('original')
    %设定超像素个数
    K = 500;
    %设定超像素紧凑系数
    m_compactness = 100;
    
    %%
    img = DeSample(img,2);
    img_size = size(img);
    %转换到LAB色彩空间
    cform = makecform('srgb2lab');       %rgb空间转换成lab空间 matlab自带的用法,Create color transformation structure
    img_Lab = applycform(img, cform);    %rgb转换成lab空间
    figure;
    imshow(img_Lab)
    title('img_lab')
    
    %%
    %得到超像素的LABXY种子点信息     
    img_sz = img_size(1)*img_size(2);
    superpixel_sz = img_sz/K;  % 每个超像素的像素点数
    STEP = uint32(sqrt(superpixel_sz)); % 开方的边长
    xstrips = uint32(img_size(2)/STEP);  % x方向 的超像素个数
    ystrips = uint32(img_size(1)/STEP);  % y方向 的超像素个数
    xstrips_adderr = double(img_size(2))/double(xstrips);  
    ystrips_adderr = double(img_size(1))/double(ystrips);
    numseeds = xstrips*ystrips;   % 实际的超像素个数
    %种子点xy信息初始值为晶格中心亚像素坐标
    %种子点Lab颜色信息为对应点最接近像素点的颜色通道值
    kseedsx = zeros(numseeds, 1);
    kseedsy = zeros(numseeds, 1);
    kseedsl = zeros(numseeds, 1);
    kseedsa = zeros(numseeds, 1);
    kseedsb = zeros(numseeds, 1);
    
    n = 1;
    for y = 1: ystrips   % 第y个超像素
        for x = 1: xstrips   % 第 x 个超像素
            kseedsx(n, 1) = (double(x)-0.5)*xstrips_adderr; % 第x个种子点中心坐标,非准确描述
            kseedsy(n, 1) = (double(y)-0.5)*ystrips_adderr; % 第y个种子点中心坐标,非准确描述
            % 种子点中心对应LAB图上位置的 三通道值
            kseedsl(n, 1) = img_Lab(fix(kseedsy(n, 1)), fix(kseedsx(n, 1)), 1);  % fix 417.1296417
            kseedsa(n, 1) = img_Lab(fix(kseedsy(n, 1)), fix(kseedsx(n, 1)), 2); 
            kseedsb(n, 1) = img_Lab(fix(kseedsy(n, 1)), fix(kseedsx(n, 1)), 3);
            n = n+1;
        end
    end
    
    n = 1;
    %根据种子点计算超像素分区
    klabels = PerformSuperpixelSLIC(img_Lab, kseedsl, kseedsa, kseedsb, kseedsx, kseedsy, STEP, m_compactness);
    %合并小的分区
    [supmtrx,supmtry,nlabels] = EnforceLabelC(img_Lab, klabels, K);
    % 这里的supmtrx,supmtry的每列分别是对应标签区域的全部x坐标和y坐标
    function klabels = PerformSuperpixelSLIC(img_Lab, kseedsl, kseedsa, kseedsb, kseedsx, kseedsy, STEP, compactness)
    
    [m_height, m_width, m_channel] = size(img_Lab);
    [numseeds xxxxx]= size(kseedsl);
    img_Lab = double(img_Lab);
    %像素标签格式为(x, y) (,)
    klabels = zeros(m_height, m_width);
    %聚类尺寸
    clustersize = zeros(numseeds,1);
    inv = zeros(numseeds,1);
    sigmal = zeros(numseeds,1);
    sigmaa = zeros(numseeds,1);
    sigmab = zeros(numseeds,1);
    sigmax = zeros(numseeds,1);
    sigmay = zeros(numseeds,1);
    invwt = 1/( (double(STEP)/double(compactness)) *(double(STEP)/double(compactness)) );
    %invwt = double(compactness)/double(STEP);
    distvec = 100000*ones(m_height, m_width);
    numk = numseeds;
    for itr = 1: 10   %迭代次数
        sigmal = zeros(numseeds, 1);
        sigmaa = zeros(numseeds, 1);
        sigmab = zeros(numseeds, 1);
        sigmax = zeros(numseeds, 1);
        sigmay = zeros(numseeds, 1);
        clustersize = zeros(numseeds, 1);
        inv = zeros(numseeds, 1);
        distvec = double(100000*ones(m_height, m_width));
        %根据当前种子点信息计算每一个像素的归属
        for n = 1: numk
            y1 = max(1, kseedsy(n, 1)-STEP);
            y2 = min(m_height, kseedsy(n, 1)+STEP);
            x1 = max(1, kseedsx(n, 1)-STEP);
            x2 = min(m_width, kseedsx(n, 1)+STEP);
            %按像素计算距离
            for y = y1: y2
                for x = x1: x2
                    %dist_lab = abs(img_Lab(y, x, 1)-kseedsl(n))+abs(img_Lab(y, x, 2)-kseedsa(n))+abs(img_Lab(y, x, 3)-kseedsb(n));
                    % lab图 点到种子点 定义距离差,判断相似度
                    dist_lab = (img_Lab(y, x, 1)-kseedsl(n, 1))^2+(img_Lab(y, x, 2)-kseedsa(n, 1))^2+(img_Lab(y, x, 3)-kseedsb(n, 1))^2;
                    % 改成平方啊 !!!  @@@  !!!  @@@   !!!
                    dist_xy = (double(y)-kseedsy(n, 1))*(double(y)-kseedsy(n, 1)) + (double(x)-kseedsx(n, 1))*(double(x)-kseedsx(n, 1));
                    %dist_xy = abs(y-kseedsy(n)) + abs(x-kseedsx(n));
                    
                    %距离 = lab色彩空间距离 + 空间距离权重×空间距离
                    dist = dist_lab + dist_xy*invwt;
                    %在周围最多四个种子点中找到最相似的 标记后存入klabels
                    %m = (y-1)*m_width+x;
                    if (dist<distvec(y, x))
                        distvec(y, x) = dist;  % 不断变小
                        klabels(y, x) = n;  % n是标签,也就是值像素属于哪个种子点
                    end
                end
            end
        end
        %完成一遍分类后,重新计算种子点位置 使其向梯度最小地方移动
        ind = 1;
        for r = 1: m_height
            for c = 1: m_width
                sigmal(klabels(r, c),1) = sigmal(klabels(r, c),1)+img_Lab(r, c, 1);  % 像素块内所有的通道值相加
                sigmaa(klabels(r, c),1) = sigmaa(klabels(r, c),1)+img_Lab(r, c, 2);
                sigmab(klabels(r, c),1) = sigmab(klabels(r, c),1)+img_Lab(r, c, 3);
                sigmax(klabels(r, c),1) = sigmax(klabels(r, c),1)+c;    % 像素块内所有的横坐标相加
                sigmay(klabels(r, c),1) = sigmay(klabels(r, c),1)+r;     % 像素块内所有的纵坐标相加
                clustersize(klabels(r, c),1) = clustersize(klabels(r, c),1)+1;   % 像素块内所有个数相加
            end
        end
        for m = 1: numseeds  % 第m个种子点
            if (clustersize(m, 1)<=0)
                clustersize(m, 1) = 1;
            end
            inv(m, 1) = 1/clustersize(m, 1);
        end
        function [supmtrx,supmtry,nlabels] = EnforceLabelC(img_Lab, labels, K)
    
    dx = [-1, 0, 1, 0];  %四邻域
    dy = [0, -1, 0, 1];
    [m_height, m_width, m_channel] = size(img_Lab);
    [M, N] = size(labels);
    numlabel = max(max(labels));
    SUPSZ = (m_height*m_width)/K;   %标准区域面积
    nlabels = (-1)*ones(M, N);
    
    label = 1;
    adjlabel = 1;
    xvec = zeros(m_height*m_width, 1);
    yvec = zeros(m_height*m_width, 1);
    supmtrx = zeros(2*floor(SUPSZ), numlabel);
    supmtry = zeros(2*floor(SUPSZ), numlabel);
    m = 1;
    n = 1;
    
    for j = 1: m_height
        for k = 1: m_width
            %逐点寻找未标记的区域 小于0 才执行
            if (0>nlabels(m, n))
                %从第一个未标记的(m,n)起,确定一个新区域,用label标记该区域的起点,用蝶形前进
                nlabels(m, n) = label;
                %开始一个新的分割 记录起点坐标
                xvec(1, 1) = k;
                yvec(1, 1) = j;
                supmtrx(1, label) = k;
                supmtry(1, label) = j;
                %如果起点与某个已知区域相连 用adjlabel记录该区域编号 如果当前区域过小则与相邻区域合并
                for i = 1: 4
                    x = xvec(1, 1)+dx(1, i);
                    y = yvec(1, 1)+dy(1, i);
                    if (x>0 && x<=m_width && y>0 && y<=m_height)
                        if (nlabels(y, x)>0)
                            adjlabel = nlabels(y, x);  % 一般是左临或上邻的标签
                        end
                    end
                end
    

    三、运行结果

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    四、matlab版本及参考文献

    1 matlab版本
    2014a

    2 参考文献
    [1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社,2020.
    [2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社,2013.
    [3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社,2013.
    [4]刘成龙.精通MATLAB图像处理[M].清华大学出版社,2015.
    [5]赵勇,方宗德,庞辉,王侃伟.基于量子粒子群优化算法的最小交叉熵多阈值图像分割[J].计算机应用研究. 2008,(04)

    更多相关内容
  • 基于超像素图像分割;使用matlab编程,运行main.m文件。
  • 基于超像素的快速图像分割,程再兴,马尽文,图像分割是图像分析与理解中的一个基本步骤,其目的是将图像按像素划分成若干个区域,而每个区域与图像中的一个真实物体或背景相�
  • 本题目需要实现一种基于SLIC超像素图像分割的算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割成大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点进行聚类,确定多体素数目和分割...
  • 完整代码,可直接运行
  • 一种新的基于超像素的谱聚类图像分割算法.pdf
  • 针对暗通道先验去雾算法中透射率估值不准确以及天空区域或大面积白色区域去雾后存在颜色失真等问题,提出了一种基于超像素分割和暗亮通道结合的单幅图像去雾方法。首先采用超像素方法对有雾图像进行分割,将得到的超...
  • 我们提出了基于超像素的快速FCM(SFFCM)用于彩色图像分割。 所提出的算法能够以非常低的计算成本实现彩色图像分割,同时实现高分割精度。
  • 一种基于超像素的快速FCM(SFFCM)用于彩色图像分割。所实现得源码(matlab)能够以非常低的计算成本实现彩色图像分割,但是却能达到较高的分割精度。
  • 基于超像素图像分割,基于超像素图像分割算法,matlab源码
  • 针对这些问题,提出了一种基于卷积神经网络(CNN)特征和改进超像素匹配的图像语义分割算法。通过CNN学习得到图像特征,降维后进行图像检索,得到精度更高的检索集;利用高斯核密度估计对检索集图像超像素加权,提升...
  • 为了获取图像的边缘信息,本文首先对图像进行超像素分割,然后利用前期生成的粗糙分割结果对图像进行超像素级别的语义信息标注,从而实现初步优化,然后将优化后的分割结果进行条件随机场建模并进行进一步优化,最终...
  • 图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对...
  • 亲测可用的SRM分割算法,可用于图像分割超像素分割)
  • 为解决矿井人员图像分割问题,提出一种基于超像素粒化及同质图像粒聚类的分割方法,能够适用于煤矿井下多种场景的人员图像。首先,使用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将井下人员...
  • 基于超像素的快速模糊c均值聚类算法在彩色图像分割中的应用
  • 基于贝叶斯算法的图像像素分割,并可视化分割结果。matlab程序
  • 完整代码,可直接运行
  • 由于SLIC0算法在分割时仅考虑图像的颜色、亮度、空间位置特征,没有考虑纹理特征,当分割具有繁杂纹理的自然图像时,其分割超像素无法精准地符合区域或目标的边界或外轮廓,因此提出基于SLIC0融合纹理信息的超像素分割...
  • 针对岩屑颗粒密集和颗粒表面纹理复杂的特点,提出一种基于熵率超像素分割和区域合并的分割方法。熵率超像素分割图像分为一系列紧凑的、具有区域一致性的区域,不仅边缘定位准确且降低图像计算的复杂度;针对存在的过...
  • 针对非局部均值(NLM)去噪算法在变化丰富的纹理区域采用平移窗口的方法选择相似块的不足进行了研究,提出一种基于超像素分割的非局部均值去噪算法。该方法充分考虑非局部均值去噪算法中相似性对噪声去除的影响,...
  • 使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的...
  • 使用超像素的进行图像分割的matlab代码, 若体验良好可以给个好评
  • SNIC超像素分割算法

    2018-11-06 16:53:08
    超像素分割为图像分割,图像处理的基础,文件为MATLAB和C混编的代码,demo为主程序,运行demo主程序进行超像素分割。
  • 目的 复杂背景中的红外小目标检测易受...结论 本文将超像素图像分割与多尺度理论引入低秩约束与稀疏表示联合模型,能够取得更好的背景抑制效果,并且可以适应不同大小目标的检测,实现复杂背景中红外小目标的准确检测。
  • 内含训练样本,分类数据和一整套matlab代码,可直接运行,作者是参考 Spectral-Spatial Hyperspectral Image Classification Using Superpixel and Extreme Learning Machines文章自行编写的,效果良好。
  • 为了解决超像素图像分割的过分割问题,提出了一种基于超像素区域颜色直方图相似性和统计特性的合并判断准则,用来合并超像素图像分割的区域。该合并准则将超像素分割结果作为区域合并的基本单元,利用基本单元的颜色...
  • 小组学习汇报 报告人:周静波 南京理立大学 2011年5月27日 University nf Sience 报告提纲 基于超像素的谱聚类图像分割算法 二.显著性方法 问题的提出 谱聚类算法属于图论的范畴,因此不可避免地会存在图论 分割算法的...
  • Felzenszwalb的基于图的图像分割代码提供了MATLAB包装器。 有关原始C ++实现的信息,请参考。 有关算法的详细信息,请参阅论文“ Graph Based Image Segmentation 。 如果您发现任何错误,请通过soundsilencebisai-...
  • 一种新的基于超像素聚类的图像分割算法.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,197
精华内容 4,878
关键字:

基于超像素的图像分割