imsegkmeans3

Segmentación de volúmenes basada en clustering K-means

Sintaxis

L = imsegkmeans3(V,k)

[L,centers] = imsegkmeans3(V,k)

L = imsegkmeans3(V,k,Name,Value)

Descripción

L = imsegkmeans3(V,k) segmenta el volumen en clústeres realizando la agrupación en clústeres k-means y devuelve la salida etiquetada segmentada en .VkL

[L,centers] = imsegkmeans3(V,k) también devuelve las ubicaciones centroide del clúster, .centers

L = imsegkmeans3(V,k,Name,Value)utiliza pares nombre-valor para controlar aspectos del algoritmo de agrupación en clústeres k-means.

Ejemplos

Volumen de segmento sin clustering k-Means

Cargue un volumen de RMN en escala de grises 3D y muéselo utilizando .volshow

load mristack volshow(mristack);

Segmente el volumen en tres clústeres.

L = imsegkmeans3(mristack,3);

Visualice el volumen segmentado utilizando .volshow Para explorar sectores del volumen segmentado, utilice la aplicación Visor de volúmenes.

figure volshow(L);

Argumentos de entrada

V — Volumen a segmento

Volumen en escala de grises 3-D | Volumen multiespectral 3-D

Volumen a segmento, especificado como un volumen de escala de grises 3D de tamaño -por- -por- o un volumen multiespectral 3-D de tamaño -por- -por- -por-, donde está el número de planos y es el número de canales.mnpmnpcpc

Nota

trata imágenes en color 2-D como volúmenes 3D de tamaño -por- -por-3.imsegkmeans2mn Si desea un comportamiento 2D, utilice en su lugar.imsegkmeans

Tipos de datos: single | int8 | int16 | uint8 | uint16

k — Número de clústeres

número positivo

Número de clústeres que se va a crear, especificado como escalar numérico.

Argumentos de par nombre-valor

Especifique pares opcionales separados por comas de argumentos. es el nombre del argumento y es el valor correspondiente. deben aparecer entre comillas.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como .Name1,Value1,...,NameN,ValueN

Ejemplo: L = imsegkmeans3(V,5,'NumAttempts',5);

NormalizeInput — Normalizar los datos de entrada

true (predeterminado) | false

Normalice los datos de entrada a media cero y varianza de unidad, especificada como el par separado por comas que consta de o .'NormalizeInput'truefalse Si especifica , normaliza cada canal de la entrada individualmente.trueimsegkmeans3

NumAttempts — Número de veces que se repetirá el proceso de agrupación en clústeres

3 (predeterminado) | entero positivo

Número de veces que se repetirá el proceso de agrupación en clústeres utilizando nuevas posiciones centroide de clúster iniciales, especificadas como el par separado por comas que consta de y un entero positivo.'NumAttempts'

MaxIterations — Número máximo de iteraciones

100 (predeterminado) | entero positivo

Número máximo de iteraciones, especificado como el par separado por comas que consta de y un entero positivo.'MaxIterations'

Threshold — Umbral de precisión

1e-4 (predeterminado) | número positivo

Umbral de precisión, especificado como el par separado por comas que consta de y un número positivo.'Threshold' El algoritmo se detiene cuando cada uno de los centros de clúster se mueve menos que el valor de umbral en iteraciones consecutivas.

Argumentos de salida

L — Matriz de etiquetas

matriz de enteros positivos

Matriz de etiquetas, especificada como una matriz de enteros positivos. Los píxeles con la etiqueta 1 pertenecen al primer clúster, la etiqueta 2 pertenece al segundo clúster, y así sucesivamente para cada uno de los clústeres. tiene las mismas tres primeras dimensiones que el volumen.kLV La clase de depende del número de clústeres.L

Clase deL	Número de clústeres
'uint8'	k <= 255
'uint16'	256 <= k <= 65535
'uint32'	65536 <= k <= 2^32-1
'double'	2^32 <= k

centers — Ubicaciones de centroides de clúster

matriz numérica

Ubicaciones de centroide de clúster, devueltas como una matriz numérica de tamaño -por- , donde está el número de clústeres y es el número de canales. es la misma clase que la imagen.kckccentersI

Sugerencias

• La función produce resultados reproducibles. La salida no variará en varias ejecuciones dados los mismos argumentos de entrada.

Referencias

[1] Arthur, D. and S. Vassilvitskii. "k-means++: The Advantages of Careful Seeding." SODA '07: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms. New Orleans, LA, January 2007, pp. 1027–1035.

Consulte también

Apps

• | Visor de volumen

Funciones

• imsegkmeans | superpixels3 | watershed | lazysnapping

Introducido en R2018b

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí