Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

imsegkmeans3

K-significa segmentación de volumen basada en clustering

contraer todo en la página

Sintaxis

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

Descripción

ejemplo

L = imsegkmeans3(V,k) segmentos de volumen en clústeres mediante la realización de clústeres k-means y devuelve la salida etiquetada segmentada en.VkL

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

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

Ejemplos

contraer todo

Abrir script en vivo

Cargue un volumen de RMN en escala de grises 3D y visualice su uso.volshow

load mristack volshow(mristack);

Segmenta 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 volumen. 

figure volshow(L);

Argumentos de entrada

contraer todo

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

Nota

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

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

Número de clústeres que se crearán, especificados como un escalar numérico.

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.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);

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

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

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

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

Argumentos de salida

contraer todo

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 depende del número de clústeres.L

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

Ubicaciones de centroide de clúster, devueltas como una matriz numérica de tamaño por-, donde es 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

Aplicaciones

Funciones

Introducido en R2018b

Documentación de Image Processing Toolbox
Soporte
Introducing Deep Learning with MATLAB

Introducing Deep Learning with MATLAB

Download ebook