Segmentacja obrazu z wykorzystaniem przesunięcia średniego

podstawy najpierw:

Średnia segmentacja przesunięć jest lokalną techniką homogenizacji, która jest bardzo przydatna do tłumienia cieniowania lub różnic tonalnych w zlokalizowanych obiektach. Przykład jest lepszy niż wiele słów:

Akcja: zastępuje każdy piksel średnią pikseli w okolicy range-r, której wartość znajduje się w odległości d.

Średnie przesunięcie zajmuje zwykle 3 wejścia:

1. funkcja odległości dla pomiar odległości między pikselami. Zwykle odległość euklidesowa, ale każda inna dobrze zdefiniowana funkcja odległości może być użyta. Manhattan Odległość jest czasem innym przydatnym wyborem.
2. promień. Wszystkie piksele w tym promieniu (mierzone zgodnie z powyższą odległością) zostaną uwzględnione w obliczeniach.
3. różnica wartości. Ze wszystkich pikseli wewnątrz promienia r, do obliczenia średniej weźmiemy tylko te, których wartości mieszczą się w tej różnicy

Należy pamiętać, że algorytm nie jest dobrze zdefiniowany na granicach, więc różne implementacje dadzą różne wyniki.

Nie będę tutaj omawiać krwawych matematycznych szczegółów, ponieważ są one niemożliwe do pokazania bez odpowiedniej notacji matematycznej, niedostępnej w StackOverflow, a także dlatego, że można je znaleźć z dobrych źródeł gdzie indziej .

Spójrzmy na środek Twojej macierzy:

153  153  153  153 
147  96   98   153 
153  97   96   147   
153  153  147  156  

Z rozsądnym wyborem dla Promień i odległość, cztery środkowe piksele otrzymają wartość 97 (ich średnia) i będą różniły się od sąsiednich pikseli.

Obliczmy to w Mathematica . Zamiast pokazywać rzeczywiste liczby, wyświetlamy kodowanie kolorami, dzięki czemu łatwiej jest zrozumieć, co się dzieje: {]}

Kodowanie kolorów dla Twojej matrycy to:

Następnie przyjmujemy rozsądną średnią zmianę:

MeanShiftFilter[a, 3, 3]

I otrzymujemy:

Gdzie wszystkie elementy środkowe są równe (do 97, BTW).

Możesz powtarzać kilka razy ze średnią przesunięciem, starając się uzyskać bardziej jednorodne zabarwienie. Po kilku iteracjach dochodzi do stabilnej konfiguracji nie-izotropowej:

W tej chwili powinno być jasne, że nie możesz wybrać, ile" kolorów " otrzymasz po zastosowaniu Mean Shift. Pokażmy więc, jak to zrobić, bo to druga część twojego pytanie.

Aby móc z góry ustawić liczbę klastrów wyjściowych, musisz coś w rodzaju klastrów Kmeans.

Działa w ten sposób dla Twojej macierzy:

b = ClusteringComponents[a, 3]

{{1, 1, 1, 1, 1, 1, 1, 1}, 
 {1, 2, 2, 3, 2, 3, 3, 1}, 
 {1, 3, 3, 3, 3, 3, 3, 1}, 
 {1, 3, 2, 1, 1, 3, 3, 1}, 
 {1, 3, 3, 1, 1, 2, 3, 1}, 
 {1, 3, 3, 2, 3, 3, 3, 1}, 
 {1, 3, 3, 2, 2, 3, 3, 1}, 
 {1, 1, 1, 1, 1, 1, 1, 1}}  

Lub:

Który jest bardzo podobny do naszego poprzedniego wyniku, ale jak widać, teraz mamy tylko trzy poziomy wyjściowe.