Lea una imagen en el espacio de trabajo. Reduzca el tamaño de la imagen para que el ejemplo se ejecute más rápidamente.
Segmente la imagen en dos regiones mediante la agrupación en clústeres k-means.
Varios píxeles están mal etiquetados. El resto del ejemplo muestra cómo mejorar la segmentación k-means complementando la información sobre cada píxel.
Complementa la imagen con información sobre la textura en la vecindad de cada píxel. Para obtener la información de textura, filtre una versión en escala de grises de la imagen con un conjunto de filtros Gabor.
Crea un conjunto de 24 filtros Gabor, que cubren 6 longitudes de onda y 4 orientaciones.
Convierta la imagen a escala de grises.
Filtre la imagen en escala de grises con los filtros Gabor. Muestre las 24 imágenes filtradas en un montaje.
Suaviza cada imagen filtrada para eliminar las variaciones locales. Muestre las imágenes suavizadas en un montaje.
Complemente la información sobre cada píxel con información de ubicación espacial. Esta información adicional permite que el algoritmo de agrupación en clústeres k-means prefiera agrupaciones que estén juntas espacialmente.
Obtenga las coordenadas y de todos los píxeles de la imagen de entrada.xy
Concatene la información de intensidad, la información de textura de vecindad y la información espacial sobre cada píxel.
En este ejemplo, el conjunto de características incluye la imagen de intensidad en lugar de la imagen de color original, .I
RGB
La información de color se omite del conjunto de características porque el color amarillo del pelaje del perro es similar al tono amarillo de las baldosas. Los canales de color no proporcionan suficiente información distinta sobre el perro y el fondo para hacer una segmentación limpia.
Segmente la imagen en dos regiones utilizando la agrupación en clústeres k-means con el conjunto de características suplementada.