用颜色特征和超像素绘制土地分类
此示例显示了如何使用K均值聚类和超级像素基于颜色特征执行土地类型分类。在执行分割和分类时，Superpixels可能是非常有用的技术，尤其是在使用大图像时。超级像素使您能够将图像分解为一组结构有意义的区域，每个区域的边界都考虑到原始图像中的边缘信息。一旦将图像分解为超像素区域，可以使用分类算法来对每个区域进行分类，而不必在完整的原始图像网格上解决分类问题。超级像素的使用可以在解决图像分类问题时提供较大的性能优势，同时还提供了高质量的细分结果。
在工作区中阅读图像。为了获得更好的性能，此示例将图像的大小减少了一半。从视觉上讲，在蓝色大理石图像中只能基于颜色特征：森林区域，干/沙漠地区，冰覆盖的区域和水。
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）;
计算原始图像的超级像素对象并显示。
[l，n] = superpixels（Alab，20000，'isInputlab'，真的）;bw = boundaremask（l）;Imshow（Imoverlay（a，bw，'青色'））
在每个区域中创建一个像素集的单元格数组。
pixelidxlist = label2idx（l）;
确定每个超级像素区域的中位颜色l*a*b*色彩空间。
[m，n] = size（l）;卑鄙的颜色=零（m，n，3，'单身的'）；为了i = 1：n Meancolor（pixelidxlist {i}）= earne（alab（pixelidxlist {i}））;eNecolor（pixelidxlist {i}+m*n）=均值（alab（pixelidxlist {i}+m*n））;eNecolor（pixelidxlist {i}+2*m*n）=均值（alab（pixelidxlist {i}+2*m*n））;结尾
通过使用Imsegkmeans功能。
数字= 4;[lout，cmap] = imsegkmeans（卑鄙的彩色，数字，数字，'numAttempts'，2）;cmap = lab2rgb（cmap）;imshow（label2rgb（lout））
将群集中心用作主题图的菌落。在K-均值聚类中发现的平均颜色可以直接用作菌落，以更自然地视觉解释森林，冰，干地和水的土地分类分配。
imshow（double（lout），cmap）
您还可以从以下列表中选择一个网站：
美洲
- AméricaLatina（Español）
- 加拿大（英语）
- 美国（英语）
