主要内容
绘制彩色特征和超像素的土地分类
此示例显示了如何根据使用K-Means群集和SuperPixels基于颜色特征执行土地类型分类。在执行分割和分类时，SuperPixels可以是非常有用的技术，尤其是使用大图像时。SuperPixels使您可以将图像分解为一组结构上有意义的区域，其中每个区域的边界考虑了原始图像中的考虑边缘信息。将图像分解为超顶像素区域后，可以使用分类算法来对每个区域进行分类，而不是必须通过完整的原始图像网格解决分类问题。使用超像素可以在解决图像分类问题时提供大的性能优势，同时还提供高质量的分段结果。
将图像读入工作区。为了更好的性能，此示例将图像的大小减少了一半。在视觉上，只有四种类型的土地，在蓝色大理石图像中只有基于颜色特征：森林区域，干/沙漠地区，冰盖区域和水。
a = imread（'http://eoimages.gsfc.nasa.gov/images/imagerecords/74000/74192/world.200411.3x5400x2700.jpg'）;a = imresize（a，0.5）;imshow（a）
将图像转换为l * a * b *色彩空间。
alab = rgb2lab（a）;
计算原始图像的Superpixel过度解析并显示它。
[l，n] = superpixels（alab，20000，'isinputlab'，真的）;BW =边界扫描（L）;imshow（imoverlay（a，bw，'青色'）））
在每个区域中创建一组像素的单元格数组。
PIXELIDXLIST = LABEL2IDX（L）;
确定每个超像素区域的中位颜色l * a * b *色彩空间。
[m，n] =尺寸（l）;平均=零（m，n，3，'单身的'）;为了i = 1：n均值（pixelidxlist {i}）=均值（alab（pixelidxlist {i}））;易彩色（PIXELIDXLIST {i} + m * n）=均值（alab（pixelidxlist {i} + m * n））;易变（PIXELIDXLIST {i} + 2 * m * n）=均值（alab（pixelidxlist {i} + 2 * m * n））;结尾
使用使用的聚集每个Superpixel的颜色特征Imsegkmeans.功能。
numcolors = 4;[leout，cmap] = imsegkmeans（偶然，NumColors，'numattempts'，2）;CMAP = Lab2RGB（CMAP）;imshow（Label2RGB（Lout））
使用集群中心作为专题地图的Colormap。在K-Meanse聚类期间发现的平均颜色可以直接用作Colormap，以提供森林，冰，旱地和水的土地分类任务的更自然的视觉解释。
imshow（双（leout），cmap）
您还可以从以下列表中选择一个网站：
