基于SVM的图像分割-真彩色图像分割

Posted 2022-06-20 mozun2020

《MATLAB 神经网络43个案例分析》：第18章 基于SVM的图像分割-真彩色图像分割

• 1. 前言
• 2. MATLAB 仿真示例
• 3. 小结

1. 前言

《MATLAB 神经网络43个案例分析》是MATLAB技术论坛（www.matlabsky.com）策划，由王小川老师主导，2013年北京航空航天大学出版社出版的关于MATLAB为工具的一本MATLAB实例教学书籍，是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的，秉承着“理论讲解—案例分析—应用扩展”这一特色，帮助读者更加直观、生动地学习神经网络。

《MATLAB神经网络43个案例分析》共有43章，内容涵盖常见的神经网络（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相关智能算法（SVM、决策树、随机森林、极限学习机等）。同时，部分章节也涉及了常见的优化算法（遗传算法、蚁群算法等）与神经网络的结合问题。此外，《MATLAB神经网络43个案例分析》还介绍了MATLAB R2012b中神经网络工具箱的新增功能与特性，如神经网络并行计算、定制神经网络、神经网络高效编程等。

近年来随着人工智能研究的兴起，神经网络这个相关方向也迎来了又一阵研究热潮，由于其在信号处理领域中的不俗表现，神经网络方法也在不断深入应用到语音和图像方向的各种应用当中，本文结合书中案例，对其进行仿真实现，也算是进行一次重新学习，希望可以温故知新，加强并提升自己对神经网络这一方法在各领域中应用的理解与实践。自己正好在多抓鱼上入手了这本书，下面开始进行仿真示例，主要以介绍各章节中源码应用示例为主，本文主要基于MATLAB2015b(32位)平台仿真实现，这是本书第十八章基于SVM的图像分割实例，话不多说，开始！

2. MATLAB 仿真示例

打开MATLAB，点击“主页”，点击“打开”，找到示例文件

选中Chapter_ImSegmentUsingLibsvm.m，点击“打开”

Chapter_ImSegmentUsingLibsvm.m源码如下：

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%功能：基于SVM的图像分割-真彩色图像分割
%环境：Win7，Matlab2015b
%Modi: C.S
%时间：2022-06-16
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Matlab神经网络43个案例分析

% 基于SVM的图像分割-真彩色图像分割
% by 李洋(faruto)
% http://www.matlabsky.com
% Email:[e-mail]
% http://weibo.com/faruto 
% http://blog.sina.com.cn/faruto
% 2013.01.01
%% A Little Clean Work
tic;
close all;
clear;
clc;
format compact;
%% 读取图像数据
tic
% 读入图像，放在矩阵pic
pic = imread('littleduck.jpg');
% 查看矩阵pic的大小和类型
whos pic;

scrsz = get(0,'ScreenSize');
figure('Position',[scrsz(3)*1/4 scrsz(4)*1/6  scrsz(3)*4/5 scrsz(4)]*3/4);
imshow(pic);
%% 确定训练集

TrainData_background = zeros(20,3,'double');
TrainData_foreground = zeros(20,3,'double');

% % 背景（湖水）采样
% msgbox('Please get 20 background samples（点击OK后再按任意键继续）', ...
%     'Background Samples','help');
% pause;
% for run = 1:20
%     [x,y] = ginput(1);
%     hold on;
%     plot(x,y,'r*');
%     x = uint8(x);
%     y = uint8(y);
%     TrainData_background(run,1) = pic(x,y,1);
%     TrainData_background(run,2) = pic(x,y,2);
%     TrainData_background(run,3) = pic(x,y,3);
% end 

% % 待分割出来的前景（鸭子）采样
% msgbox('Please get 20 foreground samples which is the part to be segmented（点击OK后再按任意键继续）', ...
%     'Foreground Samples','help');
% pause;
% for run = 1:20
%     [x,y] = ginput(1);
%     hold on;
%     plot(x,y,'ro');
%     x = uint8(x);
%     y = uint8(y);
%     TrainData_foreground(run,1) = pic(x,y,1);
%     TrainData_foreground(run,2) = pic(x,y,2);
%     TrainData_foreground(run,3) = pic(x,y,3);
% end 

% % 背景（湖水）训练样本 10*3
TrainData_background = ...
    [52 74 87;
    76 117 150;
    19 48 62;
    35 64 82;
    46 58 36;
    50 57 23;
    110 127 135;
    156 173 189;
    246 242 232;
    166 174 151];

% % 前景（鸭子）训练样本 8*3
TrainData_foreground = ...
    [211 192 107;
    202 193 164;
    32 25 0;
    213 201 151;
    115 75 16;
    101 70 0;
    169 131 22;
    150 133 87];

%% 建立支持向量机

% let background be 0 & foreground 1
% 即 属于背景（湖水）的点为0，属于前景（鸭子）的点位1 
TrainLabel = [zeros(length(TrainData_background),1); ...
    ones(length(TrainData_foreground),1)];

TrainData = [TrainData_background;TrainData_foreground];

model = svmtrain(TrainLabel, TrainData, '-t 1 -d 1');
%% 进行预测i.e.进行图像分割
preTrainLabel = svmpredict(TrainLabel, TrainData, model);
% 求三维矩阵pic的行数m，列数n，页数k
[m,n,k] = size(pic)
% 将三维矩阵pic转成m*n行，k列的双精度二维矩阵
TestData = double(reshape(pic,m*n,k));
% 查看矩阵TestData的大小和类型
whos TestData;
% 预测前景（鸭子）和背景（湖水）的标签
TestLabal = svmpredict(zeros(length(TestData),1), TestData, model);
%% 展示分割后的图像

% 根据预测得到的前景（鸭子）和背景（湖水）标签对整个图像的像素点进行分类，进而达到图像分割目的。
ind = reshape([TestLabal,TestLabal,TestLabal],m,n,k);
ind = logical(ind);
pic_seg = pic;
pic_seg(~ind) = 0;

% 展示分割后的图像
scrsz = get(0,'ScreenSize');
figure('Position',[scrsz(3)*1/4 scrsz(4)*1/6  scrsz(3)*4/5 scrsz(4)]*3/4);
imshow(pic_seg);
% 分割前和分割后图像对比查看
scrsz = get(0,'ScreenSize');
figure('Position',[scrsz(3)*1/4 scrsz(4)*1/6  scrsz(3)*4/5 scrsz(4)]*3/4);
subplot(1,2,1);
imshow(pic);
subplot(1,2,2);
imshow(pic_seg);
%%
toc;

添加完毕，点击“运行”，开始仿真，输出仿真结果如下：

  Name        Size                Bytes  Class    Attributes

  pic       439x600x3            790200  uint8              

Accuracy = 100% (18/18) (classification)
m =
   439
n =
   600
k =
     3
  Name               Size              Bytes  Class     Attributes

  TestData      263400x3             6321600  double              

Accuracy = 91.869% (241983/263400) (classification)
时间已过 1.444780 秒。

3. 小结

通过SVM进行图像分割的原理，与前面的预测原理相同，通过学习前景与背景的样本，进行特征提取，然后再对图像中的各区域进行预测分析，当得到预测为目标的结果时，通过图像分割将目标检测出来得到。对本章内容感兴趣或者想充分学习了解的，建议去研习书中第十八章节的内容。后期会对其中一些知识点在自己理解的基础上进行补充，欢迎大家一起学习交流。

开发者涨薪指南 48位大咖的思考法则、工作方式、逻辑体系