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

superpixels

superposición de imágenes en 2-D superpixel

contraer todo en la página

Sintaxis

[L,NumLabels] = superpixels(A,N)
[L,NumLabels] = superpixels(___,Name,Value,...)

Descripción

ejemplo

[L,NumLabels] = superpixels(A,N) calcula los superpíxeles de la imagen RGB o de escala de grises 2-D. especifica el número de superpíxeles que desea crear.UnN La función devuelve, una matriz de etiquetas de tipo y, el número real de superpíxeles que se calcularon.LdoubleNumLabels

La función utiliza el algoritmo de clustering iterativo lineal simple (SLIC).superpixels[1] Este algoritmo agrupa los píxeles en regiones con valores similares. El uso de estas regiones en las operaciones de procesamiento de imágenes, como la segmentación, puede reducir la complejidad de estas operaciones.

[L,NumLabels] = superpixels(___,Name,Value,...) calcula los superpíxeles de la imagen A con pares nombre-valor utilizados para controlar los aspectos de la segmentación.

Ejemplos

contraer todo

Abrir script en vivo

Leer la imagen en el espacio de trabajo.

A = imread('kobi.png');

Calcule los superpixeles de la imagen.

[L,N] = superpixels(A,500);

Visualice los límites de superpixel sobrepuestos en la imagen original.

figure BW = boundarymask(L); imshow(imoverlay(A,BW,'cyan'),'InitialMagnification',67)

Establezca el color de cada píxel de la imagen de salida en el color RGB medio de la región de superpíxeles.

outputImage = zeros(size(A),'like',A); idx = label2idx(L); numRows = size(A,1); numCols = size(A,2); for labelVal = 1:N     redIdx = 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)

Argumentos de entrada

contraer todo

Imagen de entrada, especificada como una matriz real no dispersa. Para los datos, debe ser una imagen en escala de grises 2-D.int16Un Para todos los demás tipos de datos, puede ser una imagen en 2-D en escala de grises o 2-D RGB.Un Cuando el parámetro es, la imagen de entrada debe ser o.isInputLabtruesingledouble

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

Número deseado de superpíxeles, especificado como un escalar numérico.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

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: B = superpixels(A,100,'NumIterations', 20);

Forma de superpixeles, especificada como un escalar numérico. El parámetro compacidad del algoritmo SLIC controla la forma de los superpixeles. Un valor más alto hace que los superpixels tengan una forma más regular, es decir, un cuadrado. Un valor más bajo hace que los superpixels se adhieran mejor a los límites, haciéndolos con forma irregular. El rango permitido es.(0 Inf) Los valores típicos para la compacidad están en el rango.[1,20]

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Los datos de la imagen de entrada se encuentran en el espacio de color, especificado como escalar lógico o.L*a*b*truefalse

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | logical

Algoritmo utilizado para calcular superpíxeles, especificado como uno de los siguientes valores. La función utiliza dos variaciones del algoritmo de clustering iterativo lineal simple (SLIC).superpixels

Valor

Significado

'slic0'

utiliza el algoritmo SLIC0 para refinar de forma adaptativa después de la primera iteración.superpixels'Compactness' Este es el valor predeterminado.

'slic'

es constante durante la agrupación en clústeres.'Compactness'

Tipos de datos: char | string

Número de iteraciones utilizadas en la fase de clustering del algoritmo, especificadas como un escalar numérico. Para la mayoría de los problemas, no es necesario ajustar este parámetro.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Argumentos de salida

contraer todo

Label Matrix, devuelta como una matriz numérica de tipo.double Los valores son enteros positivos, donde indica la primera región, la segunda región, y así sucesivamente para cada región de superpíxeles de la imagen.12

Número de superpixels calculados, devueltos como un escalar numérico de tipo.double

Referencias

[1] Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sabine Susstrunk, SLIC Superpixels Compared to State-of-the-art Superpixel Methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 34, Issue 11, pp. 2274-2282, May 2012

Capacidades ampliadas

Consulte también

| | | |

Temas

Introducido en R2016a

Documentación de Image Processing Toolbox
Soporte
Introducing Deep Learning with MATLAB

Introducing Deep Learning with MATLAB

Download ebook