湖水|鸭子_基于SVM的图像分割真彩色图像分割

篇首语：本文由编程笔记#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》&＃xff1a;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

《MATLAB 神经网络43个案例分析》是MATLAB技术论坛&＃xff08;www.matlabsky.com&＃xff09;策划&＃xff0c;由王小川老师主导&＃xff0c;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&＃xff0c;是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的&＃xff0c;秉承着“理论讲解—案例分析—应用扩展”这一特色&＃xff0c;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&＃xff0c;内容涵盖常见的神经网络&＃xff08;BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等&＃xff09;以及相关智能算法&＃xff08;SVM、决策树、随机森林、极限学习机等&＃xff09;。同时&＃xff0c;部分章节也涉及了常见的优化算法&＃xff08;遗传算法、蚁群算法等&＃xff09;与神经网络的结合问题。此外&＃xff0c;《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&＃xff0c;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&＃xff0c;神经网络这个相关方向也迎来了又一阵研究热潮&＃xff0c;由于其在信号处理领域中的不俗表现&＃xff0c;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&＃xff0c;本文结合书中案例&＃xff0c;对其进行仿真实现&＃xff0c;也算是进行一次重新学习&＃xff0c;希望可以温故知新&＃xff0c;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&＃xff0c;下面开始进行仿真示例&＃xff0c;主要以介绍各章节中源码应用示例为主&＃xff0c;本文主要基于MATLAB2015b(32位)平台仿真实现&＃xff0c;这是本书第十八章基于SVM的图像分割实例&＃xff0c;话不多说&＃xff0c;开始&＃xff01;

打开MATLAB&＃xff0c;点击“主页”&＃xff0c;点击“打开”&＃xff0c;找到示例文件

选中Chapter_ImSegmentUsingLibsvm.m&＃xff0c;点击“打开”

Chapter_ImSegmentUsingLibsvm.m源码如下&＃xff1a;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%功能&＃xff1a;基于SVM的图像分割-真彩色图像分割
%环境&＃xff1a;Win7&＃xff0c;Matlab2015b
%Modi: C.S
%时间&＃xff1a;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&＃64;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&＃xff0c;放在矩阵pic
pic &＃61; imread(&＃39;littleduck.jpg&＃39;);
% 查看矩阵pic的大小和类型
whos pic;
scrsz &＃61; get(0,&＃39;ScreenSize&＃39;);
figure(&＃39;Position&＃39;,[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 &＃61; zeros(20,3,&＃39;double&＃39;);
TrainData_foreground &＃61; zeros(20,3,&＃39;double&＃39;);
% % 背景&＃xff08;湖水&＃xff09;采样
% msgbox(&＃39;Please get 20 background samples&＃xff08;点击OK后再按任意键继续&＃xff09;&＃39;, ...
% &＃39;Background Samples&＃39;,&＃39;help&＃39;);
% pause;
% for run &＃61; 1:20
% [x,y] &＃61; ginput(1);
% hold on;
% plot(x,y,&＃39;r*&＃39;);
% x &＃61; uint8(x);
% y &＃61; uint8(y);
% TrainData_background(run,1) &＃61; pic(x,y,1);
% TrainData_background(run,2) &＃61; pic(x,y,2);
% TrainData_background(run,3) &＃61; pic(x,y,3);
% end
% % 待分割出来的前景&＃xff08;鸭子&＃xff09;采样
% msgbox(&＃39;Please get 20 foreground samples which is the part to be segmented&＃xff08;点击OK后再按任意键继续&＃xff09;&＃39;, ...
% &＃39;Foreground Samples&＃39;,&＃39;help&＃39;);
% pause;
% for run &＃61; 1:20
% [x,y] &＃61; ginput(1);
% hold on;
% plot(x,y,&＃39;ro&＃39;);
% x &＃61; uint8(x);
% y &＃61; uint8(y);
% TrainData_foreground(run,1) &＃61; pic(x,y,1);
% TrainData_foreground(run,2) &＃61; pic(x,y,2);
% TrainData_foreground(run,3) &＃61; pic(x,y,3);
% end
% % 背景&＃xff08;湖水&＃xff09;训练样本 10*3
TrainData_background &＃61; ...
[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&＃xff08;鸭子&＃xff09;训练样本 8*3
TrainData_foreground &＃61; ...
[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&＃xff08;湖水&＃xff09;的点为0&＃xff0c;属于前景&＃xff08;鸭子&＃xff09;的点位1
TrainLabel &＃61; [zeros(length(TrainData_background),1); ...
ones(length(TrainData_foreground),1)];
TrainData &＃61; [TrainData_background;TrainData_foreground];
model &＃61; svmtrain(TrainLabel, TrainData, &＃39;-t 1 -d 1&＃39;);
%% 进行预测i.e.进行图像分割
preTrainLabel &＃61; svmpredict(TrainLabel, TrainData, model);
% 求三维矩阵pic的行数m&＃xff0c;列数n&＃xff0c;页数k
[m,n,k] &＃61; size(pic)
% 将三维矩阵pic转成m*n行&＃xff0c;k列的双精度二维矩阵
TestData &＃61; double(reshape(pic,m*n,k));
% 查看矩阵TestData的大小和类型
whos TestData;
% 预测前景&＃xff08;鸭子&＃xff09;和背景&＃xff08;湖水&＃xff09;的标签
TestLabal &＃61; svmpredict(zeros(length(TestData),1), TestData, model);
%% 展示分割后的图像
% 根据预测得到的前景&＃xff08;鸭子&＃xff09;和背景&＃xff08;湖水&＃xff09;标签对整个图像的像素点进行分类&＃xff0c;进而达到图像分割目的。
ind &＃61; reshape([TestLabal,TestLabal,TestLabal],m,n,k);
ind &＃61; logical(ind);
pic_seg &＃61; pic;
pic_seg(~ind) &＃61; 0;
% 展示分割后的图像
scrsz &＃61; get(0,&＃39;ScreenSize&＃39;);
figure(&＃39;Position&＃39;,[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 &＃61; get(0,&＃39;ScreenSize&＃39;);
figure(&＃39;Position&＃39;,[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&＃xff0c;点击“运行”&＃xff0c;开始仿真&＃xff0c;输出仿真结果如下&＃xff1a;

Name Size Bytes Class Attributes
pic 439x600x3 790200 uint8
Accuracy &＃61; 100% (18/18) (classification)
m &＃61;
439
n &＃61;
600
k &＃61;
3
Name Size Bytes Class Attributes
TestData 263400x3 6321600 double
Accuracy &＃61; 91.869% (241983/263400) (classification)
时间已过 1.444780 秒。


通过SVM进行图像分割的原理&＃xff0c;与前面的预测原理相同&＃xff0c;通过学习前景与背景的样本&＃xff0c;进行特征提取&＃xff0c;然后再对图像中的各区域进行预测分析&＃xff0c;当得到预测为目标的结果时&＃xff0c;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&＃xff0c;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&＃xff0c;欢迎大家一起学习交流。