MATLAB应用

目录

网站

智能图像色彩缩减和量化

---

网站

---

https://yarpiz.com/

---

智能图像色彩缩减和量化

---

        使用智能聚类方法：（a）k均值算法，（b）模糊c均值聚类（FCM）和（c）自组织神经网络，使用 RGB 和 HSV 颜色编码来执行聚类任务。

file = uigetfile 打开一个模态对话框，其中列出了当前文件夹中的文件。用户可以在这里选择或输入文件的名称。如果文件存在并且有效，当用户点击打开时，uigetfile 将返回文件名。如果用户点击取消或窗口关闭按钮 (X)，uigetfile 将返回 0。

当用户点击打开时，[file,path] = uigetfile 将返回文件的名称和路径。如果用户点击取消或窗口关闭按钮 (X)，uigetfile 将为两个输出参数都返回 0。

[file,path,indx] = uigetfile 将返回在对话框中选择的筛选器的索引。

___ = uigetfile(filter) 指定文件扩展名，根据该扩展名筛选对话框中显示的文件。可以将此语法与上述语法中的任何输出参数结合使用。

pause(n) 暂停执行 n 秒，然后继续执行。必须启用暂停，此调用才能生效。

pause(state) 启用、禁用或显示当前暂停设置。

oldState = pause(state) 返回当前暂停设置并如 state 所示设置暂停状态。例如，如果已启用暂停功能，oldState = pause('off') 会在 oldState 中返回 'on' 并禁用暂停。

提取rgb

img=imread(FullFileName);
img=im2double(img);

R=img(:,:,1);
G=img(:,:,2);
B=img(:,:,3);

X=[R(:) G(:) B(:)];
Z=X;

 strcmpi - 比较字符串（不区分大小写）
    此 MATLAB 函数 将比较 s1 和 s2，并忽略字母大小写差异。如果二者相同，函数将返回 1(true)，否则返回 0 (false)。如果文本的大小和内容相同，则它们将视为相等，不考虑大小
写。返回结果 tf 的数据类型为 logical。

kmeans

idx = kmeans(X,k) 执行 k 均值聚类，以将 n×p 数据矩阵 X 的观测值划分为 k 个聚类，并返回包含每个观测值的簇索引的 n×1 向量 (idx)。X 的行对应于点，列对应于变量。

默认情况下，kmeans 使用欧几里德距离平方度量，并用 k-means++ 算法进行簇中心初始化。

idx = kmeans(X,k,Name,Value) 进一步按一个或多个 Name,Value 对组参数所指定的附加选项返回簇索引。例如，指定余弦距离、使用新初始值重复聚类的次数或使用并行计算的次数。

prod

B = prod(A) 返回 A 的数组元素的乘积。

• 如果 A 是向量，则 prod(A) 返回元素的乘积。

• 如果 A 为非空矩阵，则 prod(A) 将 A 的各列视为向量，并返回一个包含每列乘积的行向量。

• 如果 A 为 0×0 空矩阵，prod(A) 返回 1。

• 如果 A 为多维数组，则 prod(A) 沿第一个非单一维度运算并返回乘积数组。此维度的大小将减少至 1，而所有其他维度的大小保持不变。

        如果输入 A 为 single 类型，则 prod 会计算并将 B 以 single 类型返回。如果为任何其他数值和逻辑数据类型，prod 会计算并将 B 以 double 类型返回。

B = prod(A,'all') 计算 A 的所有元素的乘积。

clc;
clear;
close all;

%% Select Image

Filter={'*.jpg;*.jpeg;*.png'};

[FileName, FilePath]=uigetfile(Filter);
pause(0.01);

if FileName==0
    return;
end

FullFileName=[FilePath FileName];

%% Load Image Data

Choices = {'RGB', 'HSV'};

ANSWER = questdlg('Select the color coding:', ...
                  'Color Coding', ...
                  Choices{1}, Choices{2}, ...
                  Choices{1});
pause(0.01);

img=imread(FullFileName);
img=im2double(img);

R=img(:,:,1);
G=img(:,:,2);
B=img(:,:,3);

X=[R(:) G(:) B(:)];
Z=X;

UseHSV = strcmpi(ANSWER, 'HSV');

if UseHSV
    Y=rgb2hsv(X);
    W=[3 1 2];
    for l=1:numel(W)
        Y(:,l)=Y(:,l)*W(l);
    end
    Z=Y;
end

%% Number of Desired Colors

ANSWER = inputdlg('Number of desired colors:','Color Reduction',1,{'25'});
pause(0.01);

nColor = str2double(ANSWER{1});

%% Select Algorithm

Choices = {'k-Means Clusterin', 'Fuzzy Clustering (FCM)', 'SOM Network'};

ANSWER = questdlg('Select the clustering algorithm:', ...
                  'Color Coding', ...
                  Choices{1}, Choices{2}, Choices{3}, ...
                  Choices{1});
pause(0.01);

UseKMeans = strcmpi(ANSWER, Choices{1});
UseFCM = strcmpi(ANSWER, Choices{2});
UseSOM = strcmpi(ANSWER, Choices{3});

%% Perform Clustering

if UseKMeans
    Method = 'k-Means Clustering';
    Options.MaxIter=1000;
    [IDX, C]=kmeans(Z,nColor,'options',Options);
end

if UseFCM
    Method = 'Fuzzy Clustering (FCM)';
    [C, U]=fcm(Z,nColor);
    [MaxU, IDX]=max(U);
end

if UseSOM
    Method = 'SOM Neural Network';
    NetSize=[floor(sqrt(nColor)) ceil(sqrt(nColor))];
    nColor = prod(NetSize);
    [IDX, C]=SOM(Z,NetSize);
end

%% Create Reduced Image

Z2=C(IDX,:);

if UseHSV
    Y2 = Z2;
    for l=1:numel(W)
        Y2(:,l)=Y2(:,l)/W(l);
    end
    X2=hsv2rgb(Y2);
else
    X2=Z2;
end

R2=reshape(X2(:,1),size(R));
G2=reshape(X2(:,2),size(G));
B2=reshape(X2(:,3),size(B));

img2=zeros(size(img));
img2(:,:,1)=R2;
img2(:,:,2)=G2;
img2(:,:,3)=B2;

%% Show Results

figure;

subplot(1,2,1);
imshow(img);
title('Original Image');

subplot(1,2,2);
imshow(img2);
title(['Color Reduced Image (k = ' num2str(nColor) ') using ' Method]);