图像分割与分析——图像分割
图像分割与分析——分割方法
御坂御坂Matlab工作室
喜爱编程,喜爱游戏设计,喜爱动漫
展开
-
bfscore
文章目录SyntaxDescriptionExamplesInput ArgumentsOutput Arguments轮廓匹配分数用于图像分割Syntaxscore = bfscore(prediction,groundTruth)[score,precision,recall] = bfscore(prediction,groundTruth)[___] = bfscore(prediction,groundTruth,threshold)Descriptionscore = bfsco原创 2020-10-25 11:27:14 · 817 阅读 · 1 评论 -
dice
文章目录SyntaxDescriptionExamplesSørensen-Dice相似系数用于图像分割Syntaxsimilarity = dice(BW1,BW2)similarity = dice(L1,L2)similarity = dice(C1,C2)Descriptionsimilarity = dice(BW1,BW2)计算二进制图像BW1和BW2之间的Sørensen-Dice相似系数。similarity = dice(L1,L2)计算标签图像L1和L2中每个标签的D原创 2020-10-25 11:07:28 · 348 阅读 · 0 评论 -
jaccard
文章目录SyntaxDescriptionExamples雅卡德相似系数用于图像分割Syntaxsimilarity = jaccard(BW1,BW2)similarity = jaccard(L1,L2)similarity = jaccard(C1,C2)Descriptionsimilarity = jaccard(BW1,BW2)计算二进制图像BW1和BW2的交集除以BW1和BW2的并集,也称为Jaccard索引。 图像可以是二进制图像,标签图像或分类图像。similarity原创 2020-10-25 11:02:50 · 639 阅读 · 0 评论 -
boundarymask
文章目录SyntaxDescriptionExamplesconn — Pixel connectivity查找分割的区域边界Syntaxmask = boundarymask(L)mask = boundarymask(BW)mask = boundarymask(___,conn)Descriptionmask = boundarymask(L)计算代表输入标签矩阵L的区域边界的掩码。输出mask是逻辑图像,在边界位置为true,在非边界位置为false。mask = bounda原创 2020-10-25 10:47:12 · 443 阅读 · 0 评论 -
label2idx
文章目录SyntaxDescriptionExamples将标签矩阵转换为线性索引的单元格数组SyntaxpixelIndexList = label2idx(L)DescriptionpixelIndexList = label2idx(L)将标签矩阵L描述的区域转换为线性索引pixelIndexList。Examples计算小标签矩阵的像素索引列表clear allclose allclc%创建一个包含三个区域的小样本矩阵。BW = logical([1 1 1 0 0 0原创 2020-10-25 10:13:17 · 575 阅读 · 0 评论 -
labeloverlay
文章目录SyntaxDescriptionExamples在二维图像上覆盖标签矩阵区域SyntaxB = labeloverlay(A,L)B = labeloverlay(A,BW)B = labeloverlay(A,C)B = labeloverlay(___,Name,Value)DescriptionB = labeloverlay(A,L)对标签矩阵L中的每个非零标签以不同的颜色融合输入图像A。labeloverlay函数不会将背景像素与某种颜色融合。B = labelo原创 2020-10-25 09:54:59 · 2791 阅读 · 4 评论 -
imoverlay
将二进制蒙版刻录为二维图像SyntaxB = imoverlay(A,BW)B = imoverlay(A,BW,color)DescriptionB = imoverlay(A,BW)用纯色填充灰度或RGB图像A,其中输入二进制掩码BW为true。B = imoverlay(A,BW,color)指定imoverlay用于填充图像的颜色。Examples将二进制图像刻录为RGB图像clear allclose allclcRGB = imread('peppers.png'原创 2020-10-24 22:02:29 · 499 阅读 · 0 评论 -
superpixels3
文章目录SyntaxDescriptionExamples3-D图像的3-D超像素超分割Syntax[L,NumLabels] = superpixels3(A,N)[L,NumLabels] = superpixels3(___,Name,Value)Description[L,NumLabels] = superpixels3(A,N)计算3-D图像A的3-D超像素。N指定要创建的超像素数量。该函数返回L(一个3-D标签矩阵)和NumLabels(返回的实际超像素数)。[L,NumL原创 2020-10-24 15:43:58 · 236 阅读 · 0 评论 -
superpixels
文章目录SyntaxDescriptionExamples输入参数输出参数图像的二维超像素过分割Syntax[L,NumLabels] = superpixels(A,N)[L,NumLabels] = superpixels(A,N,Name,Value)Description[L,NumLabels] = superpixels(A,N) 计算二维灰度或 RGB 图像 A 的超像素。N 指定您要创建的超像素的数量。该函数返回 L(double 类型的标签矩阵)和 NumLabels(计算出原创 2020-10-24 15:32:14 · 484 阅读 · 1 评论 -
imsegkmeans3
文章目录SyntaxDescriptionExamplesName-Value Pair Arguments基于K均值聚类的体积分割SyntaxL = imsegkmeans3(V,k)[L,centers] = imsegkmeans3(V,k)L = imsegkmeans3(V,k,Name,Value)DescriptionL = imsegkmeans3(V,k)通过执行k-均值聚类将体积V划分为k个聚类,并以L返回分段的带标签的输出。[L,centers] = imsegkm原创 2020-10-24 15:20:40 · 479 阅读 · 0 评论 -
imsegkmeans
文章目录SyntaxDescriptionExamples名称-值对组参数输出参数基于 K 均值聚类的图像分割SyntaxL = imsegkmeans(I,k)[L,centers] = imsegkmeans(I,k)L = imsegkmeans(I,k,Name,Value)DescriptionL = imsegkmeans(I,k) 通过执行 k 均值聚类将图像 I 分割成 k 个聚类,并在 L 中返回分割后带标签的输出。[L,centers] = imsegkmeans(I原创 2020-10-24 15:09:24 · 1991 阅读 · 5 评论 -
graydiffweight
文章目录SyntaxDescriptionExamplesInput Arguments根据灰度强度差异计算图像像素的权重SyntaxW = graydiffweight(I,refGrayVal)W = graydiffweight(I,mask)W = graydiffweight(I,C,R)W = graydiffweight(V,C,R,P)W = graydiffweight(___, Name,Value)DescriptionW = graydiffweight(I,re原创 2020-10-24 10:54:05 · 407 阅读 · 0 评论 -
gradientweight
文章目录SyntaxDescriptionExamplesInput Arguments根据图像梯度计算图像像素的权重SyntaxW = gradientweight(I)W = gradientweight(I,sigma)W = gradientweight(___,Name,Value)DescriptionW = gradientweight(I)基于该像素的梯度大小为图像I中的每个像素计算像素权重,并返回权重数组W。像素的权重与像素位置处的梯度值成反比。 渐变幅度较小的像素(平滑原创 2020-10-24 10:24:52 · 336 阅读 · 0 评论 -
imsegmm
文章目录SyntaxDescriptionExampleInput ArgumentsOutput ArgumentsTips使用快速行进方法进行二值图像分割SyntaxBW = imsegfmm(W,mask,thresh)BW = imsegfmm(W,C,R,thresh)BW = imsegfmm(W,C,R,P,thresh)[BW,D] = imsegfmm(___)DescriptionBW = imsegfmm(W,mask,thresh)返回使用快速行进方法计算的分割图像原创 2020-10-23 16:46:26 · 367 阅读 · 0 评论 -
imseggeodesic
文章目录SyntaxDescriptionExamplesInput ArgumentsOutput ArgumentsTips使用基于测地距离的颜色分割将图像分割为两个或三个区域SyntaxL = imseggeodesic(RGB,BW1,BW2)L = imseggeodesic(RGB,BW1,BW2,BW3)[L,P] = imseggeodesic(___)[L,P] = imseggeodesic(___,Name,Value)DescriptionL = imseggeod原创 2020-10-23 16:13:55 · 163 阅读 · 0 评论 -
grabcut
文章目录SyntaxDescriptionExamplesInput ArgumentsTips使用基于迭代图的分割将图像分割为前景和背景SyntaxBW = grabcut(A,L,ROI)BW = grabcut(A,L,ROI,foremask,backmask)BW = grabcut(A,L,ROI,foreind,backind)BW = grabcut(___,Name,Value)DescriptionBW = grabcut(A,L,ROI)将图像A分为前景和背景区域。原创 2020-10-22 15:23:48 · 570 阅读 · 0 评论 -
lazysnapping
文章目录SyntaxDescription使用基于图的分割将图像分割为前景和背景SyntaxBW = lazysnapping(A,L,foremask,backmask)BW = lazysnapping(A,L,foreind,backind)BW = lazysnapping(___,Name,Value)DescriptionBW = lazysnapping(A,L,foremask,backmask)使用惰性捕捉将图像A分为前景和背景区域。 标签矩阵L指定图像的子区域。 前掩膜原创 2020-10-21 22:44:16 · 728 阅读 · 1 评论 -
activecontour
文章目录syntacticDescriptionExamples输入参数A - 要分割的图像mask - 初始轮廓n - 最大迭代次数method - 主动轮廓方法名称-值对组参数'SmoothFactor' - 平滑度'ContractionBias' - 轮廓向外扩展或向内收缩的趋势输出参数提示使用主动轮廓 (snake) 区域增长方法将图像分割成前景和背景syntacticBW = activecontour(A,mask)BW = activecontour(A,mask,n)BW = a原创 2020-10-21 22:30:03 · 1910 阅读 · 0 评论 -
watershed
文章目录syntax:Description:Examples输出分水岭变换syntax:L = watershed(A)L = watershed(A,conn)Description:分水岭变换通过将图像视为浅色像素代表高海拔而深色像素代表低海拔的表面,在图像中找到“集水盆地”或“分水岭脊线”。 分水岭变换可用于将感兴趣的连续区域分割为不同的对象。L = watershed(A)返回一个标签矩阵L,该标签矩阵L标识输入矩阵A的分水岭区域。L = watershed(A,conn) 指定原创 2020-10-21 21:47:09 · 276 阅读 · 0 评论 -
grayconnected
文章目录syntax:Description输出使用洪水填充技术选择具有相似灰度值的连续图像区域syntax:BW = grayconnected(I,row,column)BW = grayconnected(I,row,column,tolerance)DescriptionBW = grayconnected(I,row,column)在灰度图像I中找到相似强度的连接区域。指定起点(种子像素)的行和列索引。 该函数返回一个二进制掩码BW,该二进制掩码指示哪些像素以相似的强度8连接到种子像原创 2020-10-21 17:49:33 · 367 阅读 · 0 评论 -
adaptthresh
文章目录syntax:Description:Example:输入参数名称-值对组参数使用局部一阶统计量的自适应图像阈值syntax:T = adaptthresh(I)T = adaptthresh(I,sensitivity)T = adaptthresh(___,Name,Value)Description:T = adaptthresh(I) 计算二维灰度图像或三维灰度体 I 的局部自适应阈值。adaptthresh 函数基于每个像素邻域的局部均值强度(一阶统计量)选择阈值。阈值 T原创 2020-10-21 17:14:23 · 1555 阅读 · 0 评论 -
otsuthresh
文章目录Syntax:DescriptionExamples使用Otsu方法的全局直方图阈值分割Syntax:T = otsuthresh(counts)[T,EM] = otsuthresh(counts)DescriptionT = otsuthresh(counts)使用Otsu的方法根据直方图计数来计算全局阈值T。 Otsu的方法选择的阈值应使阈值黑白像素的类内差异最小。 全局阈值T可以与imbinarize一起使用,以将灰度图像转换为二进制图像。[T,EM] = otsuthres原创 2020-10-21 16:49:05 · 1514 阅读 · 1 评论 -
imquantize
使用指定级的量化级别来输出图像quant_A = imquantize(A,levels)quant_A = imquantize(___,values)[quant_A,index] = imquantize(___)解释:使用N个元素矢量级别量化值对图像A进行量化。输出图像与原图像相同,并且包含N+1个离散整数值,范围在1~N+1之间,这些值由以下条件决定:If A(k) ≤ levels(1), then quant_A(k) = 1.If levels(m-1) < A(k)原创 2020-10-21 16:35:30 · 915 阅读 · 0 评论 -
multithresh
文章目录使用Otsu方法的图像多级阈值分割语法:thresh = multithresh(A)thresh = multithresh(A,N)[thresh,metric] = multithresh(___)原创 2020-10-20 22:38:47 · 1519 阅读 · 0 评论 -
graythresh
使用Otsu方法计算全局图像阈值语法:T = graythresh(I)[T,EM] = graythresh(I)说明:T = graythresh(I) 使用 Otsu 方法 , 根据灰度图像 I 计算全局阈值 T。Otsu 方法选择一个阈值,使阈值化的黑白像素的类内方差最小化。全局阈值 T 可与 imbinarize 结合使用以将灰度图像转换为二值图像。[T,EM] = graythresh(I) 还返回有效性度量 EM。...原创 2020-10-20 17:27:32 · 3302 阅读 · 0 评论