| MATLAB图像处理：72：使用 Lab 颜色空间的基于颜色的分割 | 您所在的位置：网站首页 › matlab分离点 › MATLAB图像处理：72：使用 Lab 颜色空间的基于颜色的分割 |
MATLAB图像处理：72：使用 Lab 颜色空间的基于颜色的分割
|
本示例说明如何通过分析 Lab 颜色空间来识别织物中的不同颜色。 第 1 步：获取图像读入fabric.png图像，这是一幅彩色织物的图像。 fabric = imread('fabric.png'); imshow(fabric) title('Fabric') 步骤 2：计算每个区域在 Lab 颜色空间中的样本颜色您可以在图像中看到六种主要颜色：背景色、红色、绿色、紫色、黄色和洋红色。请注意，您可以在视觉上轻松区分这些颜色。Lab 色彩空间（也称为 CIELAB 或 CIE Lab）使您能够量化这些视觉差异。 Lab 颜色空间源自 CIE XYZ 三色值。Lab空间由亮度L、色度a组成（表示颜色沿红绿轴下降的位置）、色度层b（表示颜色沿蓝黄轴下降的位置）。 我们的方法是为每种颜色选择一个小样本区域，并在ab空间中计算每个样本区域的平均颜色。您将使用这些颜色标记对每个像素进行分类。 为了简化此示例，请加载存储在 MAT 文件中的区域坐标。 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') 使用rgb2lab函数， 将织物 RGB 图像转换为 Lab图像。 lab_fabric = rgb2lab(fabric);计算您使用roipoly提取的每个区域的平均a和b值。这些值用作ab空间中的颜色标记。 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例如，ab空间中红色样本区域的平均颜色为 fprintf('[%0.3f,%0.3f] \n',color_markers(2,1),color_markers(2,2)); [69.828,20.106] 步骤 3：使用最近邻规则对每个像素进行分类每个颜色标记现在都有一个a和一个b值。在lab_fabric图像中，可以通过计算像素与每个颜色标记之间的欧几里德距离，来对图像中的每个像素进行分类。最小距离会告诉您该像素与某个颜色标记最匹配。例如，如果像素与红色标记之间的距离最小，则该像素将被标记为红色像素。 创建一个包含颜色标签的数组，即 0 = 背景、1 = 红色、2 = 绿色、3 = 紫色、4 = 洋红色和 5 = 黄色。 color_labels = 0:nColors-1;初始化要在最近邻分类中使用的矩阵。 a = double(a); b = double(b); distance = zeros([size(a), nColors]);执行分类。 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;步骤 4：显示最近邻分类的结果标签矩阵包含织物图像中每个像素的颜色标签。使用标签矩阵按颜色分隔原始织物图像中的对象。 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将五种分类颜色显示为并列对比的图像。还显示图像中未分类为颜色的背景像素。 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") 步骤 5：显示标记颜色的a和b值您可以通过绘制被分类为不同颜色的像素的a和b值来查看最近邻分类对不同颜色群体的分离程度。出于显示目的，用颜色标签标记每个点。 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'); 注：本文根据MATLAB官网内容修改而成。 以下的免费视频教程，特点是没有PPT，不掺水，直接编程环境下的实操课程： 用100分钟查看免费的《MATLAB编程》视频课程 1data.pro
欢迎您进一步了解以下MATLAB系列文章： 吃小羊：MATLAB作图实例：00：索引吃小羊：MATLAB金融工具箱：00：索引吃小羊：MATLAB图像处理：00：索引 |
【本文地址】