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 ...
最新文章
- UIBezierPath和CAShapeLayer创建不规则View(Swift 3.0)
- 国际顶级学界业界大咖云集,9 场技术论坛布道,2019 嵌入式智能国际大会强势来袭!...
- 骨干云池服务器SATA盘的RAID配置,标准互联 美国CN2云池服务器即将开售,欢迎新老客户选购 - Pesyun.com 公告与通知...
- ARM再出手,软银攀登新高山
- Number()、parseInt()、parseFloat()的区别
- PWN-PRACTICE-BUUCTF-1
- webpack打包后的文件夹是空的_vue+webpack 打包文件 404 页面空白的解决方法
- 【信息系统项目管理师】第11章-项目风险管理 知识点详细整理
- jq实现跟随鼠标点击移动的下划线效果
- elasticsearch 1.1.0 mmseg 英文数字分词
- Docker第三方项目小结
- xshell功能大全(上)
- elementUI的 tree搜索过滤,可识别拼音,且不区分大小写
- 【SAMMY】DOS下操作隐藏文件、文件夹
- Go语言笔记 | 01-为什么要学Go语言
- 基于ZigBee 的多点温度采集系统设计与实现
- 业务运营指标体系(转载)
- python编程用什么软件?
- java网络爬虫0基础_简单的java爬虫程序(入门)
- 实验一网络扫描与网络侦察