使用K均值聚类准确检测图像中的颜色区域

Question

我在基于颜色的图像分割中使用K均值聚类。 我有一个具有3种颜色（黑色，白色和绿色）的2D图像。 这是图片，

我想让K均值产生3个簇，一个代表绿色区域，第二个代表白色区域，最后一个代表黑色区域。

这是我使用的代码，

%Clustering color regions in an image. 

%Step 1: read the image using imread, and show it using imshow. 

img =  (imread('img.jpg'));

figure, imshow(img), title('X axis rock cut'); %figure is for creating a figure window.
text(size(img,2),size(img,1)+15,...
     'Unconventional shale x axis cut', ...
     'FontSize',7,'HorizontalAlignment','right');

 %Step 2: Convert Image from RGB Color Space to L*a*b* Color Space
 conversionform = makecform('srgb2lab'); %the form of the conversion is defined as from rgb to l a b
 lab_img = applycform(img,conversionform); %converting the rgb image to l a b image using the conversion form defined above.

 %Step 3: Classify the Colors in 'a*b*' Space Using K-Means Clustering
 ab = double(lab_img(:,:,2:3));
 nrows = size(ab,1);
 ncols = size(ab,2);
 ab = reshape(ab,nrows*ncols,2);

 nColors = 3;
% repeat the clustering 3 times to avoid local minima
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates',3);
%Step 4: Label Every Pixel in the Image Using the Results from KMEANS

%For every object in your input, kmeans returns an index corresponding to a cluster. The cluster_center output from kmeans will be used later in the example. Label every pixel in the image with its cluster_index.

pixel_labels = reshape(cluster_idx,nrows,ncols);
figure, imshow(pixel_labels,[]), title('image labeled by cluster index');

segmented_images = cell(1,3);
rgb_label = repmat(pixel_labels,[1 1 3]);

for k = 1:nColors
    color = img;
    color(rgb_label ~= k) = 0;
    segmented_images{k} = color;
end

figure, imshow(segmented_images{1}), title('objects in cluster 1');
figure, imshow(segmented_images{2}), title('objects in cluster 2');
figure, imshow(segmented_images{3}), title('objects in cluster 3');

但是我没有得到所需的结果。 我得到一个具有绿色区域的群集，一个具有绿色区域边界的群集，以及一个具有灰色，黑色和白色的群集。 这是结果簇。

这样做的目的是，在获得正确的聚类结果之后， 我想使用连接组件的概念来计算每个区域中的像素数。

因此，我的目的是要知道每个颜色区域中有多少个像素。 我尝试了另一种更简单的方法，即获取2D图像的矩阵并尝试找出每种颜色的像素数。 但是，我在矩阵中发现了3种以上的RGB颜色，可能是因为相同颜色的像素的颜色级别略有不同。 这就是为什么我要进行图像分割。

谁能告诉我如何修复上面的代码以获得所需的结果？

如果您能以更简单的方式为我提供提示，我也将不胜感激。

编辑：这是我制作的用于遍历图像中每个像素的代码。 请注意，我使用红色，黄色，蓝色和白色4种颜色，而不是绿色，白色和黑色，但是想法是相同的。 rgb2name是返回给定RGB颜色的颜色名称的函数。

im= imread ('img.jpg'); 

[a b c] = size (im); 
%disp ([a b]);
yellow=0; 
blue=0; 
white=0; 
red=0; 


for i=1:a
    for j=1:b
        x= impixel(im, i, j)/255 ;
        color= rgb2name (x);
        if (~isempty (strfind (color, 'yellow')))
            yellow= yellow+1; 
        elseif (~isempty (strfind(color, 'red')))
            red= red+1; 
        elseif (~isempty (strfind (color, 'blue')))
            blue= blue+1; 
        elseif (~isempty (strfind (color, 'white')))
           white= white+1; 
        else 
            %disp ('warning'); break; 
        end            
        disp (color);
        disp (i);
    end
end
disp (yellow)
disp (red)
disp (blue)
disp (white)

谢谢。

Answer 1

我认为这个问题非常有趣，因此如果答案有点过头，我会提前道歉。 简而言之，对于要将图像分割成离散的色彩空间的问题，一般来说，k均值是正确的策略。 但是，您的示例图像主要只包含三种颜色，每种颜色在颜色空间中都很好地分开，因此仅使用直方图就可以轻松对其进行分割。 有关使用阈值进行细分的信息，请参见下文。

通过对每个矩阵求和，可以轻松获得像素数。 例如， bCount = sum(blackPixels(:))

filename = '379NJ.png';
x = imread(filename); 
x = double(x); % cast to floating point
x = x/max(max(max(x))); % normalize

% take histogram of green dimension
g = x(:, :, 2);
c = hist(g(:), 2^8);

% smooth the hist count 
c = [zeros(1, 10), c, zeros(1, 10)];
N = 4;
for i = N+1:length(c) - N; 
   d(i - N) = mean(c(i -N:i)); 
end
d = circshift(d, [1, N/2]);

% as seen in histogram, the three colors fall nicely into 3 peaks
figure, plot(c, '.-');
[~, clusterCenters] = findpeaks(d, 'MinPeakHeight', 1e3);

% set the threshold halfway between peaks 
boundaries = [floor((clusterCenters(2) - clusterCenters(1))/2), ...
                 clusterCenters(2) + floor((clusterCenters(3) - clusterCenters(2))/2)];
thresh1 = boundaries(1)*ones(size(g))/255;
thresh2 = boundaries(2)*ones(size(g))/255;

% categorize based on threshold
blackPixels = g < thresh1;
greenPixels = g >= thresh1 & g < thresh2;
whitePixels = g >= thresh2;

Answer 2

这是我计算每个区域的像素数的方法。 鉴于此（如评论中所述）：

• 颜色的值（RGB）和数量（K）是先验的
• 压缩伪影和抗锯齿生成了其他颜色，必须将其视为K个已知颜色中最接近的颜色。

由于您知道先验的颜色，因此不需要k均值。 正如您所问的那样，它实际上可能导致不良结果。 @crowdedComputeeer的方法会照顾这一方面。

您可以直接在像素值上使用pdist2计算最近的邻居。 无需使用查找颜色名称的速度很慢的函数。

这是代码。 您只需更改可变colors即可更改颜色的数量和值。 这将计算每种颜色的像素数，并输出遮罩。

img =  (imread('path_to_image'));

colors = [  0 0 0;    % black
            0 1 0;    % green
            1 1 1];   % white


% % You can change the colors        
% colors = [  0 0 1;    % red
%             1 1 0;    % yellow
%             1 0 0;    % blue
%             1 1 1];   % white


% Find nearest neighbour color
list = double(reshape(img, [], 3)) / 255;
[~, IDX] = pdist2(colors, list, 'euclidean', 'Smallest', 1);
% IDX contains the indices to the nearest element


N = zeros(size(colors, 1), 1);
for i = 1 : size(colors, 1)
    % Count the number of pixels for each color
    N(i) = sum( IDX == i );
end

% This will display the number of pixels for each color
disp(N);



% Eventually build the masks
indices = reshape(IDX, [size(img,1), size(img,2)]);

figure();
szc = size(colors,1);
for i = 1 : szc
    subplot(1,szc,i);
    imagesc(indices == i);
end

结果计数：

97554     % black
16894     % green
31852     % white

产生的面具：

Answer 3

也许这个项目可以帮上忙，请尝试一下。