イメージをワークスペースに読み取ります。例の実行を高速化するためにイメージ サイズを縮小します。
k-means クラスタリングを使用してイメージを 2 つの領域にセグメント化します。
複数のピクセルが誤ってラベル付けされています。この例の残りの部分では、各ピクセルに関する情報を補って k-means セグメンテーションを改善する方法を説明します。
イメージに各ピクセルの近傍のテクスチャに関する情報を補います。テクスチャ情報を取得するために、一連のガボール フィルターを使用してイメージのグレースケール バージョンをフィルター処理します。
6 つの波長と 4 つの方向をカバーする一連の 24 個のガボール フィルターを作成します。
イメージをグレースケールに変換します。
ガボール フィルターを使用してグレースケール イメージをフィルター処理します。24 個のフィルター処理されたイメージをモンタージュに表示します。
フィルター処理された各イメージを平滑化し、局所的なばらつきを除去します。平滑化されたイメージをモンタージュに表示します。
各ピクセルに関する情報に空間位置情報を補います。この追加情報により、k-means クラスタリング アルゴリズムは空間的に近接したグループを優先することができます。
入力イメージにあるすべてのピクセルの x 座標と y 座標を取得します。
各ピクセルに関する強度情報、近傍テクスチャ情報および空間情報を連結します。
この例の場合、特徴セットには元のカラー イメージ RGB
ではなく強度イメージ I
が含まれています。犬の毛の黄色がタイルの黄色の色相と類似しているため、色情報は特徴セットから省略されています。カラー チャネルからは、クリーンなセグメンテーションを得るための犬と背景に関する特徴的な情報が十分に得られません。
k-means クラスタリングと補足した特徴セットを使用してイメージを 2 つの領域にセグメント化します。