CIELAB 颜色空间中图像中每个超像素的平均颜色

Question

根据 MA​​TLAB 测量每个超像素的平均颜色的帮助，我将图像分割为 200 个超像素，并尝试将输出图像中每个像素的颜色设置为超像素区域的平均 CIELAB 颜色。 输入图如下：

B=imread('H.jpg');
A=rgb2lab(B);    // conversion from rgb to lab

[L,N] = superpixels(A,200);
figure
BW = boundarymask(L);
imshow(imoverlay(A,BW,'cyan'),'InitialMagnification',67);


outputImage = zeros(size(A),'like',A);
idx = label2idx(L);
numRows = size(A,1);
numCols = size(A,2);
for labelVal = 1:N
  redIdx = idx{labelVal};
  greenIdx = idx{labelVal}+numRows*numCols;
  blueIdx = idx{labelVal}+2*numRows*numCols;
  outputImage(redIdx) = mean(A(redIdx));
  outputImage(greenIdx) = mean(A(greenIdx));
  outputImage(blueIdx) = mean(A(blueIdx));
end    
figure
imshow(outputImage,'InitialMagnification',67);

我不确定此代码的输出是否正确地为我提供了 CIELAB 颜色空间中每个超像素的正确平均颜色。与 RGB 颜色空间相比，图像是否具有如此不同的颜色或代码不正确？在CIELAB颜色空间的通道平均颜色测量中，代码有问题吗？

Answer 1

这里的主要问题是imshow 向您显示的不是数据包含的内容。

imshow 假定对于 double 输入，像素值在 [0,1] 范围内。 Lab在第一个通道有[0,100]的范围，我相信其他两个通道是[-20,20]（可能不一样，但是这两个通道是关于0对称的，也就是灰色）。

如果您执行imshow(A,[])，那么数据将被缩放以显示所有内容。因此，所有通道的缩放比例都相同，因此这也不是查看数据的最佳方式，但无论如何，L 通道将显示为红色，a 和 b 通道显示为绿色和蓝色。不要期望这看起来像您的原始图像，即使您仍然拥有恢复原始图像的所有数据。

接下来，superpixels 需要一个 RGB 图像作为输入，考虑传递原始图像 B，而不是 Lab 图像 A。这不会妨碍您计算发现的超像素内的 Lab 通道的方法。（it turns out 可以选择使用 Lab 输入图像）。

如果您想测量每个超像素内的平均 Lab 值并将其用于进一步处理，请不要创建 outputImage，而是创建包含这些值的表格：

data = zeros(N,3);
for labelVal = 1:N
  redIdx = idx{labelVal};
  greenIdx = idx{labelVal}+numRows*numCols;
  blueIdx = idx{labelVal}+2*numRows*numCols;
  data(labelVal,1) = mean(A(redIdx));
  data(labelVal,2) = mean(A(greenIdx));
  data(labelVal,3) = mean(A(blueIdx));
end    

现在，data(ii,:) 是超像素数 ii 的 Lab 值。 L==ii 是属于这个超像素的像素。

Answer 2

请注意，尽管超像素算法 SLIC 在 L*a*b* 空间中运行，但它需要 RGB 图像作为输入。如果您希望像在您的用例中那样预先计算 L*a*b* 表示以供下游使用，您需要使用“IsInputLab”名称/值。否则，算法会尝试将已经是 L*a*b* 的图像转换为 L*a*b*。

你想要：

B=imread('H.jpg');
A=rgb2lab(B);  
[L,N] = superpixels(A, 200,'IsInputLab',true);

Chris Lueno 已经回答了超像素图中特征的平均计算。超像素之间的距离是相似的，您基本上计算每个超像素的质心特征来描述它们的位置，然后测量它们之间的距离。请注意，在下面的代码中，矩阵关于其对角线对称，对角线上为 0。如果您关心这一点，我会留给您来提高效率。

distanceMatrix = zeros(N,N);
for m = 1:N
    for n = 1:n
        [i1,j1] = ind2sub(size(A),idx{m});
        [i1,j2] = ind2sub(size(A),idx{n});
        Icenter1 = mean(i1);
        Jcenter1 = mean(j1);
        Icenter2 = mean(i2);
        Jcenter2 = mean(j2);
        distanceMatrix(m,n) = sqrt((Icenter1-Icenter2)^2+(Jcenter1-Jcenter2)^2);
    end 
end