基于SVM的图像分割-真彩色图像分割
Posted mozun2020
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于SVM的图像分割-真彩色图像分割相关的知识,希望对你有一定的参考价值。
《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
《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:faruto@163.com
% 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、逻辑体系以上是关于基于SVM的图像分割-真彩色图像分割的主要内容,如果未能解决你的问题,请参考以下文章
图像分割基于matlab HSV彩色空间图像分割含Matlab源码 1474期
图像分割基于matlab HSV彩色空间图像分割含Matlab源码 1474期