Kmeans集群检测壶穴

18视图(30天)

显示旧的评论

默罕默德Zulkifli 约19小时前

0
链接

这个问题直接联系

//www.tatmou.com/matlabcentral/answers/1963654-kmeans-clustering-to-detect-pothole

回答: 图像分析约6小时前

嗨。

如何使用K段壶穴的图像聚类方法。你能共享代码和步骤去做。

我做什么现在是调整到300 x300然后把它转换成灰度高斯噪声过滤。谢谢你！

                          
                          % %图像采集
                         
                          我= imread (“69. jpg”);
                         
                          = imresize (Im (300 300))
                         
                          % % RGB灰度
                         
                          b = rgb2gray(一个);
                         
                          次要情节(221);
                         
                          imshow (b)
                         
                          impixelinfo
                         
                          % %高斯滤波器
                         
                          c = imnoise (b,“高斯”,0.01,0.003);
                         
                          次要情节(222)
                         
                          imshow (c)
                         
                          impixelinfo
                         
                          % %图像分割(Canny_edge))
                         
                          BW c > = 160;
                         
                          BW = imclearborder (BW);
                         
                          BW = bwpropfilt (BW,“区域”(2500、20000));
                         
                          se = strel (“球”5);
                         
                          BW = imdilate (BW, se);
                         
                          次要情节(224)
                         
                          imshow (BW)
                         
                          % BW:圆,钥匙孔形的腔长
                         
                          % ~ BW:背景
                         
                          % %边界框
                         
                          labeledImage = bwlabel (BW);
                         
                          测量= regionprops (labeledImage,的边界框(“大小),“区域”);
                         
                          为k = 1:长度(测量)
                         
                          thisBB = (k) .BoundingBox测量;
                         
                          矩形(“位置”,(thisBB (1) thisBB (2), thisBB (3), thisBB (4)],…
                         
                          “EdgeColor”,“r”,“线宽”,2)
                         
                          结束
                         
                          次要情节(223)
                         
                          imshow (labeledImage)

0评论
显示隐藏1以上的评论

登录置评。

在回答这个问题。

答案(4)

KALYAN ACHARJYA 7分钟前

0
链接

直接链接到这个答案

//www.tatmou.com/matlabcentral/answers/1963654-kmeans-clustering-to-detect-pothole answer_1235874

编辑:KALYAN ACHARJYA 7分钟前

请改变k号码段,最适合你的情况。

                              我= imread (“image_pathhole.jpeg”);
                             
                              k = 3;
                             
                              [L,中心]= imsegkmeans (I (k);
                             
                              结果= labeloverlay (Im, L);
                             
                              imshow(结果);标题(“标记图像”)

#通过改变最小面积大小

BW = bwpropfilt (BW,“区域”(100、20000));

在分割,实现基于尝试以多种方式接受正确的结果,这是最合适的。在某些情况下,简单的方法有更多的令人印象深刻的结果。

0评论
显示隐藏1以上的评论

登录置评。

沃尔特·罗伯森约3小时前

0
链接

直接链接到这个答案

//www.tatmou.com/matlabcentral/answers/1963654-kmeans-clustering-to-detect-pothole answer_1235934

编辑:沃尔特·罗伯森约1小时前

为了做到kmeans集群,您需要一个二维数组中每个位置的信息特征聚类。集群的每个位置都需要有自己的行数组中。

在典型的例子比如费舍尔虹膜数据集,信息反映了不同的物理特性,如花瓣的宽度。费舍尔虹膜数据集不包括任何信息在地理上任何特定样本收集,所以一般来说包括位置信息并不总是必要的。

图像时,是很常见的一个像素的唯一信息是行数,列数,灰度或R G B组件。在某些情况下,如确定突出的颜色,图像中的位置无关(相同的颜色将突出的如果你对像素进行排序。)在这种情况下,你只会包含颜色信息,没有位置信息。

如你的情况,如果这个任务被确定凹坑装满水而不是凹坑然后它可以帮助很多如果你有一个多光谱图像与红外通道。

但是你还没有定义“壶穴”。一个“壶穴”的目的是什么?如果有一个孤立的湿像素,将构成一个“壶穴”本身?或有最低物理相邻像素的大小来确定一个坑?如果有很长一段狭窄的裂缝在路上,可能被认为是一个坑,还是有一个最小长度和宽度要考虑一个坑?如果有一个干减少在路上,应该被视为一个坑吗?

如果地理位置并不重要,如果你可以确定凹坑逐像素的基础上没有提及相邻像素,那么你将需要建立一个数组,包括信息,每一个像素,像素的x和y坐标,以及任何你有可用的像素强度信息,它可能有助于使用RGB代替灰度。例如,

                              [r、c、s] =找到(b);% b是你的灰度图像
                             
                              data = [r、c、s];
                             
                              [idx,中心]= kmeans(数据,NUMBER_OF_CLUSTERS);