superpixels

文章目录

Syntax
Description
Examples
输入参数
输出参数

图像的二维超像素过分割

Syntax

[L,NumLabels] = superpixels(A,N)
[L,NumLabels] = superpixels(A,N,Name,Value)

Description

[L,NumLabels] = superpixels(A,N) 计算二维灰度或 RGB 图像 A 的超像素。N 指定您要创建的超像素的数量。该函数返回 L（double 类型的标签矩阵）和 NumLabels（计算出的实际超像素数）。
superpixels 函数使用简单线性迭代聚类 (SLIC) 算法 [1]。此算法将像素划分为具有相似值的各个区域。在图像处理运算（如分割）中使用这些区域可以降低这些运算的复杂度。[L,NumLabels] = superpixels(A,N,Name,Value) 使用用于控制分割的各个方面的名称-值对组参数计算图像 A 的超像素。

Examples

计算输入 RGB 图像的超像素

clear all
close all
clc
A = imread('kobi.png');
%计算图像的超像素。
[L,N] = superpixels(A,500);
%在原始图像上叠加显示超像素的边界。
figure
BW = boundarymask(L);
imshow(imoverlay(A,BW,'cyan'),'InitialMagnification',67)
%将输出图像中每个像素的颜色设置为所在超像素区域的 RGB 均值颜色。
outputImage = zeros(size(A),'like',A);
idx = label2idx(L);
numRows = size(A,1);
numCols = size(A,2);
for labelVal = 1:NredIdx = idx{labelVal};greenIdx = idx{labelVal}+numRows*numCols;blueIdx = idx{labelVal}+2*numRows*numCols;outputImage(redIdx) = mean(A(redIdx));outputImage(greenIdx) = mean(A(greenIdx));outputImage(blueIdx) = mean(A(blueIdx));
end    figure
imshow(outputImage,'InitialMagnification',67)

输入参数

N - 期望的超像素数量
正整数
所需的超像素数量，指定为正整数。

名称-值对组参数
‘Compactness’ - 超像素的形状
10 （默认） | 数值标量
超像素的形状，指定为数值标量。SLIC 算法的紧凑性参数控制超像素的形状。值越高，超像素的形状越规则，即越接近正方形。值越低，超像素会更好地贴合边界，使其形状不规则。允许的范围是 (0 Inf)。紧凑性的取值通常在 [1,20] 范围内。

‘IsInputLab’ - 输入图像数据在 Lab* 颜色空间内
false （默认） | true
输入图像数据在 Lab* 颜色空间内，指定为 true 或 false。

‘Method’ - 用于计算超像素的算法
‘slic0’ （默认） | ‘slic’
用于计算超像素的算法，指定为下列值之一。superpixels 函数使用简单线性迭代聚类 (SLIC) 算法的两种变体。

值	意义
‘slic0’	superpixels 在第一次迭代后使用 SLIC0 算法以自适应方式优化 ‘Compactness’。这是默认设置。
‘slic’	‘Compactness’ 在聚类过程中保持不变。

‘NumIterations’ - 迭代次数
10 （默认） | 正整数
算法在聚类阶段使用的迭代次数，指定为正整数。对于大多数问题，没有必要调整此参数。

输出参数

L - 标签矩阵
正整数数组
标签矩阵，以正整数数组形式返回。值 1 表示图像中的第一个超像素区域，2 表示第二个区域，依此类推。

NumLabels - 计算出的超像素的数量
正整数
计算出的超像素的数量，以正整数形式返回。

superpixels相关推荐

SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods
SLIC与目前最优超像素算法的比较 Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sa ...
Image Segmentation论文学习翻译-SLIC Superpixels Compared to State-of-the-Art Superpixel Methods
摘要近年来,计算机视觉应用越来越依赖于超像素,但是如何构成一个好的超像素算法并不总是很清楚.为了理解现有方法的优点和缺点,我们根据经验比较了五种最先进的超像素算法,它们能够坚持图像边界.速度.存储效 ...
《SLIC Superpixels》阅读笔记
2019独角兽企业重金招聘Python工程师标准>>> SLIC 超像素(SLICSuperpixels) Radhakrishna Achanta, Appu Shaji, Kev ...
gSLICr: SLIC superpixels at over 250Hz
这篇文章的中心思想就是K-mean, 先将每个cluster均匀分布, 然后对每个像素找最近的cluster, 然后更新每个cluster.最终的cluster就是超像素
SLIC Superpixels 算法学习笔记
算法流程梳理如下: 原文下载:http://www.kev-smith.com/papers/SLIC_Superpixels.pdf 1.初始化: 通过对图像像素进行抽样,初始化k个聚类中心C_k ...
图像分割：Python的SLIC超像素分割
图像分割:Python的SLIC超像素分割 1. 什么是超像素? 2. 为什么超像素在计算机视觉方面有重要的作用? 3. 简单线性迭代聚类(SLIC) 4. 效果图 5. 源码参考 1. 什么是超像 ...
PCL中点云的超体素(SuperVoxel)
各位小伙伴们,有没有发现PCL库中已经集成了太多我们想实现的算法或者功能呢?所以这里组织一下学习小组针对PCL库中实现的算法进行剖析与论文解读,所以希望更多的小伙伴们参与进来,我们一起吃透PCL,欢迎 ...
GNN｜如何做的比卷积神经网络更好？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达英国机器视觉会议(BMVC)大约两周前在英国卡迪夫结束,是计算机视 ...
超像素、语义分割、实例分割、全景分割傻傻分不清？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在计算机视觉中,图像分割是个非常重要且基础的研究方向.简单来说,图 ...