SVM在RGB图像分割中的应用

基于SVM的RBG图像分割，对图像的前景与后景进行分割

%% Matlab神经网络43个案例分析

% 基于SVM的图像分割-真彩色图像分割
% by 李洋（faruto）
% http://www.matlabsky.com
% Email:faruto@163.com
% http://weibo.com/faruto 
% http://blog.sina.com.cn/faruto
% 2013.01.01
%% A Little Clean Work
tic;
close all;
clear;
clc;
format compact;
%% 读取图像数据

% 读入图像，放在矩阵pic
pic = imread（‘littleduck.jpg‘）;
% 查看矩阵pic的大小和类型
whos pic;

scrsz = get（0‘ScreenSize‘）;
figure（‘Position‘[scrsz（3）*1/4 scrsz（4）*1/6  scrsz（3）*4/5 scrsz（4）]*3/4）;
imshow（pic）;
%% 确定训练集

TrainData_background = zeros（203‘double‘）;
TrainData_foreground = zeros（203‘double‘）;

% % 背景（湖水）采样
% msgbox（‘Please get 20 background samples（点击OK后再按任意键继续）‘ ...
%     ‘Background Samples‘‘help‘）;
% pause;
% for run = 1:20
%     [xy] = ginput（1）;
%     hold on;
%     plot（xy‘r*‘）;
%     x = uint8（x）;
%     y = uint8（y）;
%     TrainData_background（run1） = pic（xy1）;
%     TrainData_background（run2） = pic（xy2）;
%     TrainData_background（run3） = pic（xy3）;
% end 

% % 待分割出来的前景（鸭子）采样
% msgbox（‘Please get 20 foreground samples which is the part to be segmented（点击OK后再按任意键继续）‘ ...
%     ‘Foreground Samples‘‘help‘）;
% pause;
% for run = 1:20
%     [xy] = ginput（1）;
%     hold on;
%     plot（xy‘ro‘）;
%     x = uint8（x）;
%     y = uint8（y）;
%     TrainData_foreground（run1） = pic（xy1）;
%     TrainData_foreground（run2） = pic（xy2）;
%     TrainData_foreground（run3） = pic（xy3）;
% end 

% % 背景（湖水）训练样本 10*3
TrainData_background = ...
    [52 74 87;
    76 117 150;
    19 48 62;
    35 64 82;
    46 58 36;
    50 57 23;
    110 127 135;
    156 173 189;
    246 242 232;
    166 174 151];

% % 前景（鸭子）训练样本 8*3
TrainData_foreground = ...
    [211 192 107;
    202 193 164;
    32 25 0;
    213 201 151;
    115 75 16;
    101 70 0;
    169 131 22;
    150 133 87];

%% 建立支持向量机

% let background be 0 & foreground 1
% 即 属于背景（湖水）的点为0，属于前景（鸭子）的点位1 
TrainLabel = [zeros（length（TrainData_background）1）; ...
    ones（length（TrainData_foreground）1）];

TrainData = [TrainData_background;TrainData_foreground];

model = svmtrain（TrainLabel TrainData ‘-t 1 -d 1‘）;
%% 进行预测i.e.进行图像分割
preTrainLabel = svmpredict（TrainLabel TrainData model）;
% 求三维矩阵pic的行数m，列数n，页数k
[mnk] = size（pic）
% 将三维矩阵pic转成m*n行，k列的双精度二维矩阵
TestData = double（reshape（picm*nk））;
% 查看矩阵TestData的大小和类型
whos TestData;
% 预测前景（鸭子）和背景（湖水）的标签
TestLabal = svmpredict（zeros（length（TestData）1） TestData model）;
%% 展示分割后的图像

% 根据预测得到的前景（鸭子）和背景（湖水）标签对整个图像的像素点进行分类，进而达到图像分割目的。
ind = reshape（[TestLabalTestLabalTestLabal]mnk）;
ind = logical（ind）;
pic_seg = pic;
pic_seg（~ind） = 0;

% 展示分割后的图像
scrsz = get（0‘ScreenSize‘）;
figure（‘Position‘[scrsz（3）*1/4 scrsz（4）*1/6  scrsz（3）*4/5 scrsz（4）]*3/4）;
imshow（pic_seg）;
% 分割前和分割后图像对比查看
scrsz = get（0‘ScreenSize‘）;
figure（‘Position‘[scrsz（3）*1/4 scrsz（4）*1/6  scrsz（3）*4/5 scrsz（4）]*3/4）;
subplot（121）;
imshow（pic）;
subplot（122）;
imshow（pic_seg）;
%%
toc;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3273  2013-08-18 11:03  Chapter_ImSegmentUsingLibsvm.m

     文件      25237  2010-01-14 21:18  littleduck.jpg

----------- ---------  ---------- -----  ----

                28510                    2