imsegkmeans3

k-means クラスタリング ベースのボリューム セグメンテーション

ページ内をすべて折りたたむ

構文

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

説明

L = imsegkmeans3(V,k) は、k-means クラスタリングを実行してボリューム V を k 個のクラスターにセグメント化し、セグメント化されたラベル付き出力を L に返します。

例

[L,centers] = imsegkmeans3(V,k) は、クラスターの重心位置 centers も返します。

L = imsegkmeans3(V,k,Name,Value) は、k-means クラスタリング アルゴリズムの特性を制御する名前と値のペアの引数を使用します。

例

すべて折りたたむ

ライブ スクリプトを開く

3 次元グレースケール MRI ボリュームを読み込んで、volshow を使用して表示します。

load mristack
volshow(mristack);

ボリュームを 3 つのクラスターにセグメント化します。

L = imsegkmeans3(mristack,3);

volshow を使用して、セグメント化されたボリュームを表示します。セグメント化されたボリュームのスライスを調査するには、ボリューム ビューアー アプリを使用します。 

figure
volshow(L);

入力引数

すべて折りたたむ

セグメント化するボリューム。m x n x p の 3 次元グレースケール ボリュームまたは m x n x p x c の 3 次元マルチスペクトル ボリュームとして指定します。ここで、p は平面の数、c はチャネルの数です。

メモ

imsegkmeans3 は 2 次元カラー イメージを m x n x 3 の 3 次元ボリュームと同様に扱います。2 次元の処理を実行する場合は、関数 imsegkmeans を使用します。

データ型: single | int8 | int16 | uint8 | uint16

作成するクラスターの数。正の整数として指定します。

名前と値の引数

すべて折りたたむ

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

R2021a より前では、コンマを使用して名前と値をそれぞれ区切り、Name を引用符で囲みます。

例: 'NumAttempts',5

入力データのゼロ平均と単位分散への正規化。'NormalizeInput' と数値または logical の 1 (true) または 0 (false) で構成されるコンマ区切りペアとして指定します。true を指定した場合、imsegkmeans3 は入力の各チャネルを個別に正規化します。

新しい初期クラスター重心位置を使用してクラスタリング処理を繰り返す回数。'NumAttempts' と正の整数で構成されるコンマ区切りのペアとして指定します。

最大反復回数。'MaxIterations' と正の整数で構成されるコンマ区切りのペアとして指定します。

精度のしきい値。'Threshold' と正の数値から構成されるコンマ区切りのペアとして指定します。連続する反復においてクラスターの各中心の移動距離がしきい値より小さくなると、アルゴリズムは停止します。

出力引数

すべて折りたたむ

ラベル行列。正の整数の行列として指定します。k 個の各クラスターについて、ラベル 1 のピクセルは最初のクラスターに属し、ラベル 2 は 2 番目のクラスターに属する、というようになります。L の最初の 3 つの次元は、ボリューム V と同じです。L のクラスはクラスター数によって異なります。

L のクラスクラスターの数
'uint8'k <= 255
'uint16'256 <= k <= 65535
'uint32'65536 <= k <= 2^32-1
'double'2^32 <= k

クラスター重心位置。k 行 c 列の数値行列として返されます。ここで、k はクラスターの数、c はチャネルの数です。centers はイメージ I と同じクラスです。

ヒント

  • この関数では、再現性のある結果が得られます。指定する入力引数が同じ場合、複数回実行しても出力は変わりません。

参照

[1] Arthur, David, and Sergei Vassilvitskii. “K-Means++: The Advantages of Careful Seeding.” In Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, 1027–35. SODA ’07. USA: Society for Industrial and Applied Mathematics, 2007.

バージョン履歴

R2018b で導入

参考

アプリ

関数