MATLAB.Exponenta
MATLAB и Simulink на русском
Технологии разработки и отладки
		сложных технических систем

Обработка сигналов и изображений\image Processing Toolbox

И.М.Журавель "Краткий курс теории обработки изображений"

В оглавление \ К следующему разделу \ К предыдущему разделу

Сегментация цветных изображений на основе кластеризации по методу k-средних

Рассмотрим задачу, основной целью которой является автоматическая сегментация на основе кластеризации (метод k-средних) цветных изображений, представленных в цветовом пространстве L*a*b*.

Содержание

  • Шаг1: Считывание изображения.
  • Шаг 2: Преобразование изображения из цветовой системы RGB в цветовую систему L*a*b*.
  • Шаг 3: Классификация цветов в пространстве 'a*b*' с использованием кластеризации (метод k-средних).
  • Шаг 4: Присвоение меток каждому пикселю изображения на основе метода k-средних.
  • Шаг 5: Создание сегментированного изображения на основе цветного.
  • Шаг 6: Сегментация ядер на основании отдельного изображения.

    Шаг1: Считывание изображения.

    Считаем файл hestain.png, который содержит изображение гемотоксина и эозина (H&E). Здесь применен метод окрашивания для детального анализа патологий.

    he=imread('hestain.png');
    imshow(he), title('H&E изображение');
    text(size(he, 2),size(he, 1)+15,...
         'Image courtesy of Alan Partin, Johns Hopkins University', ...
         'FontSize',7,'HorizontalAlignment','right');
    

    Шаг 2: Преобразование изображения из цветовой системы RGB в цветовую систему L*a*b*.

    Какое количество цветов видно на изображении, когда не принимать во внимание возможность комбинации яркостей? На самом деле их три: белый, голубой и розовый. Следует отметить различия этих цветов между собой. Цветовое пространство L*a*b* (оно еще известно как CIELAB или CIE L*a*b*) дает возможность различать эти визуальные различия.

    Цветовое пространство L*a*b* получено на основе трехцветных значений CIE XYZ. Пространство L*a*b* включает информацию о значении интенсивности 'L*', значении цветности 'a*', которое показывает какой цвет выбран на красно-зеленой оси и значение цветности 'b*' показывает какой цвет выбран на голубо-желтой оси. Вся информация о цветах содержится в значениях 'a*' и 'b*'. Оценить разницу между двумя цветами можно с использованием евклидового расстояния.

    Преобразуем изображение в цветовое пространство L*a*b* с использованием функций makecform и applycform.

    cform=makecform('srgb2lab');
    lab_he=applycform(he, cform);
    

    Шаг 3: Классификация цветов в пространстве 'a*b*' с использованием кластеризации (метод k-средних).

    Кластеризация приводит до разделения объектов на группы. Кластеризация методом k-средних приводит также к локализации объектов в пространстве. Поиск разделения, т.е. какой объект к какому классу принадлежит, происходит на основе анализа метрического расстояния между объектами.

    Далее на основании информации о цветах в пространстве 'a*b*', каждому пикселю объекта присваивается значение 'a*' и 'b*'. Используем кластеризацию методом k-средних для разделения объектов на три кластера. Для этого используем евклидовую метрику.

    ab=double(lab_he(:, :, 2:3));
    nrows=size(ab, 1);
    ncols=size(ab, 2);
    ab=reshape(ab, nrows*ncols, 2);
    nColors=3;
    [cluster_idx cluster_center]=kmeans(ab, nColors, 'distance', 'sqEuclidean', ...
                                          'Replicates',3);
    

    Шаг 4: Присвоение меток каждому пикселю изображения на основе метода k-средних.

    Для каждого объекта на исходном изображении метод k-средних возвращает индекс соответствующего кластера. Значение параметра cluster_center, которое получено в результате применения метода k-средних будет использовано при дальнейшей демонстрации метода. Отметим пиксели, которые содержаться в cluster_index.

    pixel_labels=reshape(cluster_idx, nrows,ncols);
    imshow(pixel_labels, []), title('изображение, отмеченное кластерными индексами');
    

    Шаг 5: Создание сегментированного изображения на основе цветного.

    Используя параметр pixel_labels, можно разделить объекты на изображении hestain.png по цветах.
    
    segmented_images=cell(1, 3);
    rgb_label=repmat(pixel_labels, [1 1 3]);
    for k=1 : nColors
      color=he;
      color(rgb_label~=k)=0;
      segmented_images{k}=color;
    end
    imshow(segmented_images{1}), title('объекты в кластере 1');
    

    imshow(segmented_images{2}), title('объекты в кластере 2');

    mshow(segmented_images{3}), title('объекты в кластере 3');

    Шаг 6: Сегментация ядер на основании отдельного изображения.

    Рассмотрим изображение, которое содержит синие объекты. Отметим, что они являются темно-синими и светло-синими. Используя значение 'L*' в цветовом пространстве L*a*b* можно отделить темно-синие объекты от светло-синих.

    Напомним, что параметр 'L*' содержит значения интенсивностей для каждого цвета. Найдем кластеры, которые содержат синие объекты. Получим значения интенсивностей объектов в этом кластере и обработаем их пороговым методом с использованием функции im2bw.

    Параметр cluster_center содержит среднее значение 'a*' и 'b*' для каждого кластера. Синий кластер имеет второе наибольшее значение cluster_center.

    mean_cluster_val=zeros(3, 1);
    for k=1:nColors
      mean_cluster_val(k)=mean(cluster_center(k));
    end
    [mean_cluster_val,idx]=sort(mean_cluster_val);
    blue_cluster_num=idx(2);
    L=lab_he(:, :, 1);
    blue_idx=find(pixel_labels==blue_cluster_num);
    L_blue=L(blue_idx);
    is_light_blue=im2bw(L_blue,graythresh(L_blue));
    

    Используем маску is_light_blue для того, чтобы пометить те пиксели, которые являются частью синего ядра. Отобразим синие ядра на разделенном изображении.

    nuclei_labels=repmat(uint8(0), [nrows ncols]);
    nuclei_labels(blue_idx(is_light_blue==false))=1;
    nuclei_labels=repmat(nuclei_labels, [1 1 3]);
    blue_nuclei=he;
    blue_nuclei(nuclei_labels~=1)=0;
    imshow(blue_nuclei), title('синие ядра');
    

    В оглавление \ К следующему разделу \ К предыдущему разделу


  • Поиск по сайту:

    Система Orphus

    Яндекс.Метрика