Matlab：基于颜色的分割

Question

Matlab：基于颜色的分割

3

今天早些时候，我正在编写一个基于http://www.mathworks.com/products/demos/image/color_seg_k/ipexhistology.html和Matlab答案的脚本。

clc;
clear;
close all;
input_im=imread('C:\Users\Udell\Desktop\T2.jpg');
sz_im=size(input_im);

cform = makecform('srgb2lab');
lab_he = applycform(input_im,cform);
ab = double(lab_he(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2);

nColors = 3;
% repeat the clustering 3 times to avoid local minima
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', 'Replicates',3);

pixel_labels = reshape(cluster_idx,nrows,ncols);
%imshow(pixel_labels,[]), title('image labeled by cluster index');
segmented_images = cell(1,3);
rgb_label = repmat(pixel_labels,[1 1 3]);

for k = 1:nColors
    color = input_im;
    color(rgb_label ~= k) = 0;
    segmented_images{k} = color;
end

for k=1:nColors
%figure
title_string=sprintf('objects in cluster %d',k);
%imshow(segmented_images{k}), title(title_string);
end


finalSegmentedImage=segmented_images{1};
%imshow(finalSegmentedImage);
close all;

Icombine = [input_im finalSegmentedImage];
imshow(Icombine);

在运行脚本多次时，我发现当finalSegmentedImage=segmented_images{1}用于组合图像(Icombine)时，得到的图像是不同的。为什么？如何解决这个问题，使结果重复（例如，segmented_images {1}图像将始终相同）？

非常感谢。

这是图片：

enter image description here

- hs100

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- rayryeng · Accepted Answer

您获得不同结果的原因是因为您的颜色分割算法使用了k-means聚类。我假设您不知道这是什么，因为熟悉其工作方式的人会立即告诉您，这就是为什么每次运行代码后您会获得不同结果的原因。事实上，您每次运行此代码后获得的不同结果是k-means聚类的自然结果，我将解释其中的原因。

它的工作原理是针对某些数据，您想将它们分成k组。您最初选择数据中的k个随机点，并且这些点将具有来自1,2,...,k的标签。这就是我们所谓的质心。然后，您确定其余数据与每个这些点的接近程度。然后，您将这些点分组，以便最接近任何这些k点的点都被分配为属于该特定组(1,2,...,k)的点。之后，对于每个组的所有点，您会更新质心，其实是每个组的代表点。对于每个组，您计算每个k组中所有点的平均值。这些成为下一次迭代的新质心。在下一次迭代中，您确定数据中每个点与每个质心的接近程度。您不断迭代并重复此行为，直到质心不再移动或它们几乎不再移动。

这与上述代码的应用是，你正在使用只有k种可能颜色来表示图像。每个可能的颜色因此都是一个质心。一旦找到每个像素属于哪个簇，就可以用该像素所属簇的质心替换像素的颜色。因此，对于图像中的每个彩色像素，你都想决定它最适合用k种可能的颜色之一来表示。这是一个颜色分割的原因，因为你正在将图像分割为仅属于k种可能颜色。在更一般的意义上，这被称为无监督分割。

现在回到k均值问题。选择初始质心的方式是导致你获得不同结果的原因。你正在以默认方式调用k均值算法，它会自动确定算法将从哪些初始点开始选择。因此，每次调用该算法时，你不能保证生成相同的初始点。如果你想要重复相同的分割结果，无论你调用kmeans多少次，你需要自己指定初始点。因此，你需要修改k均值调用，使它看起来像这样：

[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', 3, 'start', seeds);

请注意，调用方式相同，但我们添加了两个额外的参数到 k-means 调用中。标志 start 表示您正在指定初始点，而 seeds 是一个大小为 k x p 的数组，其中 k 是您想要的组数。在此情况下，这与 nColors 相同，即 3。 p 是您数据的维度。由于您转换和重塑数据的方式，因此这将是2。因此，您最终指定了一个 3 x 2 矩阵。但是，在那里有一个 Replicate 标志。这意味着 k-means 算法将运行您指定的次数，并输出具有最小误差的分割。因此，我们将根据此标志指定的次数重复执行 kmeans 调用。上述 seeds 结构将不再是 k x p，而是 k x p x n，其中 n 是您要运行分割的次数。现在这是一个三维矩阵，每个二维片确定算法每次运行的初始点。记住这一点以备后用。

你如何选择这些点是由你决定的。然而，如果你想随机选择这些点而不是让它自己决定，并且想要在每次调用此函数时重现相同的结果，你应该将随机种子生成器设置为已知数字，例如123。这样，当你生成随机点时，它总会生成相同的点序列，因此是可重复的。因此，在调用kmeans之前，我建议你将这个代码添加进去。

rng(123); %// Set seed for reproducibility
numReplicates = 3;
ind = randperm(size(ab,1), numReplicates*nColors); %// Randomly choose nColors colours from data
                                                   %// We are also repeating the experiment numReplicates times

%// Make a 3D matrix where each slice denotes the initial centres for each iteration
seeds = permute(reshape(ab(ind,:).', [2 nColors numReplicates]), [2 1 3]);

%// Now call kmeans
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', numReplicates, 'start', seeds);

请记住，您指定了Replicates标志，我们想要重复这个算法一定次数。这是3。因此，我们需要为每次运行算法指定初始点。因为我们将有3个点簇，并且我们将运行此算法3次，所以我们总共需要9个初始点（或nColors * numReplicates）。每组初始点必须是3D数组中的一个片段，这就是为什么在kmeans调用之前会看到那个复杂的语句。

我将复制次数作为变量，这样您可以随心所欲地更改它，而且它仍然有效。带有permute和reshape的复杂语句使我们能够非常轻松地创建这个点的3D矩阵。

请记住，最近在MATLAB中调用randperm时只接受第二个参数。如果上述对randperm的调用不起作用，请改为以下方式：

rng(123); %// Set seed for reproducibility
numReplicates = 3;
ind = randperm(size(ab,1)); %// Randomly choose nColors colours from data
ind = ind(1:numReplicates*nColors); %// We are also repeating the experiment numReplicates times

%// Make a 3D matrix where each slice denotes the initial centres for each iteration
seeds = permute(reshape(ab(ind,:).', [2 nColors numReplicates]), [2 1 3]);

%// Now call kmeans
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', numReplicates, 'start', seeds);

现在，通过上述代码，您应该能够每次生成相同的颜色分割结果。祝好运！