利用K均值聚类精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了K-均值聚类。我有一个2D图像，它有3种颜色，黑色，白色，和绿色。这是图像,

我想让K-means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');

但我没有按要求得到结果。我得到一个带有绿色区域的簇，一个带有绿色区域边界的簇，还有一个带有灰色、黑色和白色的簇。下面是产生的集群。

这样做的目的是，在得到正确的聚类结果后，我想利用连通分量的概念来统计每个区域的像素数。

所以，我的目的是知道每个颜色区域有多少像素。我尝试了另一种更简单的方法，通过得到2D图像的矩阵，并尝试计算出每种颜色的像素数。然而，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有一个稍微不同的颜色级别。所以我才去做图像分割。

谁能告诉我如何修复上面的代码，以便得到所需的结果吗？

我也会很感激，如果你给我的提示，如何这样做更容易的方式，如果有的话。

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)

谢谢你。

Answer 1

这是我计算每个区域像素数量的方法。鉴于（如评论中所讨论的）：

• 颜色的值(RGB)和数目(K)是预先已知的
• 压缩伪影和抗锯齿生成额外的颜色，这些颜色必须被认为是K种已知颜色中最近邻的颜色。

既然你先验地知道颜色，你就不需要K-均值了。它实际上可能导致坏的结果，就像你的问题。@CrowdedComputeeer的方法解决了这方面的问题。

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

97554     % black
16894     % green
31852     % white

得到的掩码：