通过几个特征空间的图像分割DEMO。
本演示旨在演示分割任务中几种常用的特征空间。它的灵感来自Matlab文件交换用户通过Matlab Answers提出的多个问题，以及作者的个人页面和电子邮件。
图像处理中的分割过程的目标是将图像分割为元素(段)。当定义和执行得当时，一些元素可能包括场景中有意义的元素——人、动物、建筑、车辆等。这允许继续分析图像或视频流，以获得有关拍摄场景的有意义的见解。
有多种分割方案。简而言之，经典的分割方案由以下几个阶段组成:
1.特征空间的选择，无论是手工，使用经验和知识的手头问题，或自动设置特征:Harr like Viola Jones窗口，LBP, HOG，颜色直方图等…
2.图像到特征空间的变换。在许多情况下，使用不同特性的组合。
3.特征空间缩减-提高运行时间(有时是显著的)和分割精度。PCA是一种高效的特征约简方法。
4.图像像素分类。
5.空间/时间分割平滑-如果假设空间/时间连续段。
我们实现了一个简化的方案，省略了上面的一些阶段。
1.使用的特征空间有:LBP, GLCM，统计图像矩。
2.图像到特征空间的变换。每个特征空间都由上面指定的单个特征组成。在彩色图像的情况下，每个颜色是单独处理的，导致更大的特征向量。特征向量是由每个选定像素的预定义邻域生成的。使用Matab“blockproc”函数获取特征向量
3.特征空间缩减-提高运行时间(有时是显著的)和分割精度。PCA是一种高效的特征约简方法。
4.图像像素分类。选择k -均值聚类是因为它相对简单，运行时间也不错。
5.没有实现。
通过运行演示，用户可以看到每种方案实现的各种图像分割(仅在使用的特征空间上有所不同)。同时给出了分割质量和运行时间。
注意:该方案远非完美，尽管它实现了良好的分割。它可以通过多种方式进行改进——通过参数拟合、利用额外的特征空间、更好的分类方案、后过滤、使用更有代表性的颜色通道等。此外，由于K-means聚类的随机性，对于相同的图像和参数可以得到不同的结果。这不是一个bug，而是一个现有的方案缺陷。