在Matlab上改进纹理分割结果

Question

欧几里德距离分割后的图片（只是绝对的，不是绝对的平方） 原始纹理图片

当我使用Kmeans算法和Laws Texture Energy过滤器（群集质心/群组= 6）执行群集时，我得到上面的结果（图1）

改善结果的可能方法有哪些？从结果可以看出，纹理没有明确的界限。 是否可以以某种方式实施扩张/侵蚀？如果是，请指导。

Answer 1

使用k-means分析纹理会导致您忽略相邻像素之间的空间关系：如果i和j彼此相邻，则很可能它们共享相同的texutre。
引入此类空间信息的一种方法是使用可以使用graph cuts或belief-propagation（以及其他内容）优化的成对能量。

假设图片中有n像素，而k-means中有L个质心，那么 D是一个L - by - n矩阵，D(i,l)是像素i到中心l的距离。

如果您选择使用图表剪切，可以下载my wrapper（不要忘记编译它），然后在Matlab中：

>> sz = size( img ); % n should be numel(img)
>> [ii jj] = sparse_adj_matrix( sz, 1, 1 ); % define 4-connect neighbor grid
>> grid = sparse( ii, jj, 1, n, n );
>> gch = GraphCut('open', D, ones( L ) - eye(L), grid );
>> [gch ll] = GraphCut('expand', gch );
>> gch = GraphCut('close', gch );
>> ll = reshape( double(ll)+1, sz );
>> figure; imagesc(ll);colormap (rand(L,3) ); title('resulting clusters'); axis image;

您可以找到sparse_adj_matrix here。

---

对于许多优化算法的最新实现，请查看opengm包。

Answer 2

关于形态学过滤我建议使用这个参考：Texture Segmentation Using Area Morphology Local Granulometries。本文基本上描述了一个morphological area opening filter，它删除了小于给定区域参数阈值的灰度分量。在二进制图像中，可以通过在每个图像像素位置处放置窗口来生成局部粒度大小分布，并且在每次打开操作之后，计算其中的剩余像素的数量。这导致局部大小分布，可以归一化以给出本地pdf。区分模式光谱给出了在像素处产生局部模式光谱的密度，提供了包含每个像素位置本地的纹理信息的概率密度。

Here是使用图像粒度的示例。它们基本上是非线性比例空间，它们在灰度分量的区域上工作。基本直觉是每个纹理可以基于它们的灰度分量的区域的光谱来表征。 Matlab中提供了一个简单的二进制区域打开过滤器。