我在我的代码有对象的边界。我想用这些边界计算的特点这些对象在我前面的循环。请帮助解决

33视图(30天)

显示旧的评论

Chanille 2023年4月6日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/1942819-i-have-boundaries-of-objects-in-my-code-i-want-to-use-those-boundaries-to-calculate-the-features-of

评论道: Chanille2023年4月17日

答:接受图像分析

                          =边缘(边缘imgContrast,“精明”);
                         
                          se = strel (“磁盘”1);
                         
                          edgesClean = imclose(边缘,se);
                         
                          edgesClean = imfill (edgesClean,“黑洞”);
                         
                          B = bwboundaries (edgesClean);

                          (X, Y) = meshgrid(1:列,1:行);
                         
                          numZones areaOfEachZone = 0 (1);
                         
                          profileCounts =南(1、numZones);
                         
                          totalArea =南(1、numZones);
                         
                          avgSize =南(1、numZones);
                         
                          zoneArea =南(1、numZones);
                         
                          avgCircularity =南(1、numZones);
                         
                          avgFeret =南(1、numZones);
                         
                          avgMinFeret =南(1、numZones);
                         
                          为k = 1: numZones
                         
                          %为该区域创建一个二进制的面具
                         
                          zoneMask = (√(X - X) ^ 2 + (Y - Y) ^ 2) > = (k)半径)& (sqrt ((X - X) ^ 2 + (Y - Y) ^ 2) <半径(k + 1));
                         
                          areaOfEachZone (k) =总和(zoneMask,“所有”)* pixelSize ^ 2;
                         
                          %计算连接组件在这个区
                         
                          cc = bwconncomp (zoneMask);
                         
                          %计算区域属性为每个连接组件在这个区
                         
                          statscc = regionprops (cc、“区域”,“重心”,“偏心”,“周长”,“MajorAxisLength”,“MinorAxisLength”,“循环”);
                         
                          %计算每个对象和存储区域属性的数组
                         
                          % =[]领域;
                         
                          areaOfEachZone = [];
                         
                          feretDiams = [];
                         
                          圆=南(大小(B, 1), 1);%初始化循环数组来南
                         
                          为j = 1:尺寸(B, 1)
                         
                          边界= B {j};
                         
                          objectMask = poly2mask(边界(:,2),边界(:1),大小(AI, 1),大小(AI, 2));
                         
                          regionProps = regionProps (objectMask,“区域”,“周长”,“MaxFeretProperties”);
                         
                          %计算循环
                         
                          如果~ isempty (regionProps) & &大小(regionProps 1) = = 1 & & regionProps。区> 0%排除零面积的地区
                         
                          圆= 4 *π* regionProps.Area / regionProps.Perimeter ^ 2;
                         
                          如果循环> = 0 & &循环< = 1%循环应该在0和1之间
                         
                          循环(j) =循环;
                         
                          其他的
                         
                          循环(j) =南;
                         
                          结束
                         
                          areaOfEachZone (j) = regionProps.Area;
                         
                          feretDiams (j) = regionProps.MaxFeretDiameter;
                         
                          其他的
                         
                          areaOfEachZone (j) = 0;
                         
                          循环(j) =南;
                         
                          feretDiams (j) = 0;
                         
                          结束
                         
                          结束
                         
                          %计算该区域的特性
                         
                          numObjects = cc.NumObjects;
                         
                          如果numObjects > 0
                         
                          区域= [statscc.Area];
                         
                          profileCounts (k) = numObjects;
                         
                          totalArea (k) =(地区)和* pixelSize ^ 2;
                         
                          % zoneArea (k) = areaOfEachZone (k);
                         
                          %计算该区域的平均大小的线粒体
                         
                          avgSize (k) =意味着(地区)* pixelSize ^ 2;
                         
                          %圆= [statscc.Circularity];
                         
                          avgCircularity (k) =意味着(循环(isfinite(循环)));
                         
                          % ferets = [statscc.MajorAxisLength];
                         
                          feretDiams (j) = regionProps.MaxFeretDiameter;
                         
                          avgFeret (k) =意味着(feretsDiams) * pixelSize;
                         
                          minFerets = [statscc.MinorAxisLength];
                         
                          avgMinFeret (k) =意味着(minFerets) * pixelSize;
                         
                          结束
                         
                          结束

所以我新手matlab,一些团体中的其他人之前我正在离开、现在我必须解决我得到一些错误。我遇到了这堵墙,因为更大的循环应该是图像中特定区域但我有另一个回路,indixes边界发现,区域内成功但是没有结果,这些边界的特征,区域内正常索引。你有什么建议来纠正呢?

3评论
显示2年长的评论隐藏2年长的评论

Chanille 2023年4月6日

@Image分析师我仍然有一个问题,即使读你的很酷的演示。我怎么能确保边界检测是regionprops k循环计算在我吗?谢谢你！我期待着这个论坛有一天。:)

登录置评。

在回答这个问题。

接受的答案

图像分析 2023年4月6日

1
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/1942819-i-have-boundaries-of-objects-in-my-code-i-want-to-use-those-boundaries-to-calculate-the-features-of answer_1210994

你不需要内部循环的大小(B, 1)。您可以简单地把所有的值

                              %计算区域属性为每个连接组件在这个区
                             
                              statscc = regionprops (cc、“区域”,“重心”,“偏心”,“周长”,“MajorAxisLength”,“MinorAxisLength”,“循环”);
                             
                              meanArea =意味着([statscc.Area])
                             
                              xyCentroids = vertcat (statscc.Centroid);%不确定你想要做什么。
                             
                              meanEccentricity =意味着([statscc.Eccentricity])
                             
                              meanMajorAxisLength =意味着([statscc.MajorAxisLength])
                             
                              meanMinorAxisLength =意味着([statscc.MinorAxisLength])
                             
                              meanCircularity =意味着([statscc.Circularity])
                             
                              %等等。

你的表述(s) /非常模糊。不知道” 使用的特性为基础创建的代码也测量功能 ”的意思。我不这样做,使用特性来测量特性。我们要做的就是使用一些算法来处理图像的方式,这样你可以得到阈值感兴趣的对象,和背景。我把这个面具,这个过程称为图像分割。有时你可以马上阈值,但有时你必须做一些图像阈值之前。有时后你门槛的blob面具仍然需要一些处理来提取只斑点你感兴趣的,而不是别人。毕竟是做你会有我们称之为“分割图像”。然后简单地将它传递给regionprops做出你想要的尺寸。这些测量通常被称为“特性”,比如面积,周长,意味着强度等。

现在将你的对象(s)或图像,你必须把这些功能分类程序。如果你愿意,你可以手动查看测量/特性和决定什么类,例如看看该地区分类集合成大气泡和小气泡,或者看看循环分类成圆形或non-round blob。有时是这样的没有这么简单,你不确定哪些特性应该相比如何。所以在这种情况下,如果你有统计和机器学习工具箱可以投入你所有的功能表的一列称为tPredictors之类的,和你的“真正”类(提前知道,因为你有一个训练集)的“反应”和使用“分类学习者”应用程序的应用程序选项卡上带的工具。它将创建一个模型对象(变量),然后您可以传递给一个函数,连同你的未知的图像,对它进行分类。有一个领域的trainedModel会告诉你如何与你的新trainedModel分类你的形象。

你没有说什么类的所以我不能帮助到你说什么课你想要你的照片。

图像分析 2023年4月9日

features.mat

我的意思fitcsvm的代码,而不是图像分析程序。无论如何这是我:

                                   s =负载(“features.mat”)
                                  

                                      s =结构体字段:
                                     

                                      功能(1×3结构):

                                   特点= s.features
                                  

                                      特点=1×3结构体数组字段:
                                     

                                      文件名totalArea avgSize zoneArea AvgCircularityy AvgFeret AvgMinFeret profileCounts

                                   台= struct2table(功能)
                                  

                                      台=3×8表
                                     

                                      文件名
                                      totalArea
                                      avgSize
                                      zoneArea
                                      AvgCircularityy
                                      AvgFeret
                                      AvgMinFeret
                                      profileCounts
                                      ____________________________________________________________________________________
                                      ___________
                                      ___________
                                      ___________
                                      售予
                                      ___________
                                      ___________
                                      _________________{' 1 _merge_wd_m1_12pm_dendra2_actin647_lipitox594。生活- TileScan 1 _merged-2。tif '} 1×12双1×12双1×12双1×12双1×12双1×12双1×12双{2 _8bit_merge_wd_m1_12pm_dend12_actin647_lipitox594。生活- TileScan 1 _merged-2。tif '} 1×12双1×12双1×12双1×12双1×12双1×12双1×12双{3 _merge_wd_m1_12pm_dendra2_actin647_lipitox594。生活- TileScan 1 _merged-2。tif '} 1×12双1×12双1×12双1×12双1×12双1×12双1×12双

现在,为了分类,fitcsvm或ClassificationLearner,我们需要的是“真实的”类为每个图像。然后我们需要找出为什么有12对每个图像测量,如果东组这些类或不同的类相同。

图像分析 2023年4月11日

编辑:图像分析 2023年4月11日

我觉得我们说不同的语言。你的featuresclassA。垫没有地面实况随堂作业。它只是测量了每个图像的集合。是垫文件中的每个文件名吗类吗?“1 _control像文件。tif”是“药物非常成功”,文件“2 _control。tif“类”药物工作3 _control略”,和文件”。tif”是“药物不工作”?再次测量是测量,而不是真理。你没有类定义,你只有一个多维空间,你相信你有集群,和你想找出集群定义,但你不知道你有多少集群?有很多方法使用kmeans找出最好的集群的数量,如果你肯定不知道。

我不明白你的类定义。你有两个类/类型的图片:

一个类的“高级未限制阶级”和图像
另一组图片可以被称为“未知类2”吗?

如果是这样,没关系,但我们需要一些图片在每个类训练分类器。你不能只有一个每种类型的形象。因为7-dimensional空间是不可能想象(虽然我们可以处理它在数学上),让我们用一个二维的类比。假设你有两个特点:var1 var2。现在如果你绘制的二维有两个点在x - y图。和一个点是class1,另一个点是在2班。但这并不意味着一个好的分类器。假设您使用模型和另一个形象进来var1和var 2被一些完全不同的比你的训练集值。现在你有三个点在你的图。新,第三点,应该分配到哪个班吗?谁能说只有两个训练点。 That's why you need lots of training points.

如果你有两个类就像我上面说的,每个类的图像看起来怎么样?有一些明显的明显的视觉差异吗?如果是,告诉我们。可能没有,没关系。7特性可能很难看到一个视觉差异。

或者,等待 @Walter罗伯森

图像分析 2023年4月11日

编辑:图像分析 2023年4月11日

CLASSES.xlsx

@Chanille 工作簿有三个表A, B, c,我假设每一行包含测量从一个不同的文件,但我不确定。行代表什么?也似乎有10或11特性测量在每一行,但我不知道它们是什么或如何关联7特性(每个区域)。我们可以处理数据和假设有10个特性。这是代码:

                                   %从表读取表ta“ClassA”。
                                  
                                   ta = readtable (“CLASSES.xlsx”,“表”,“ClassA”);
                                  
                                   %举列3的结束
                                  
                                   ta = ta(:, 3:结束);
                                  
                                   %从表读取表结核病“ClassB”。
                                  
                                   结核病= readtable (“CLASSES.xlsx”,“表”,“ClassB”);
                                  
                                   %举列3的结束
                                  
                                   结核病=结核病(:,3:结束);
                                  
                                   %将表
                                  
                                   tPredictors =[助教;结核病];
                                  
                                   %,真正的类创建一个向量。类1顶部行2 (A)和(B)较低的行
                                  
                                   trueClasses =[(高度(ta), 1);2 * 1(高度(tb), 1))
                                  
                                   %设置一个会话
                                  
                                   classificationLearner (tPredictors trueClasses)

与所有模型和跑后分类学习者可以看到资讯模型是最好的:

支持向量机是第二个最好的:

我不得不删除你放入ClassA额外的列标签,以确保他们有相同的变量名和列数。新工作簿。如果你有3类,您刚刚扩展概念明显的方式。

Chanille 2023年4月11日

@Image分析师

我特别喜欢你的代码不是很长,我甚至不确定我做的代码会工作的:

                                   %加载图像数据和标签
                                  
                                   负载(“image_data.mat”);
                                  
                                   负载(“labels.mat”);
                                  
                                   %从图像数据中提取猪的特性
                                  
                                   cell_size = 8;
                                  
                                   hog_features = extractHOGFeatures (image_data,“CellSize”,(cell_size cell_size]);
                                  
                                   %选择排名前50的主成分
                                  
                                   num_components = 50;
                                  
                                   [多项式系数,分数,潜伏]= pca (hog_features);
                                  
                                   selected_features =分数(:,1:num_components);
                                  
                                   %将选定的功能分成训练集和测试集
                                  
                                   [train_data, test_data train_labels test_labels] =…
                                  
                                   crossvalind (“坚持”0.3、标签);
                                  
                                   train_features = selected_features (train_data:);
                                  
                                   test_features = selected_features (test_data:);
                                  
                                   % k - means分类器训练
                                  
                                   num_clusters = 10;%的集群
                                  
                                   kmeans_classifier = fitckmeans (train_features num_clusters);
                                  
                                   %预测测试集的标签使用k - means分类器
                                  
                                   predicted_labels =预测(kmeans_classifier test_features);
                                  
                                   %计算分类器的准确性
                                  
                                   精度= (predicted_labels = = test_labels) /元素个数之和(test_labels);
                                  
                                   %显示分类的准确性
                                  
                                   disp ([的分类器的准确性:num2str(精度)]);
                                  
                                   %从新的图像中提取猪的特性
                                  
                                   new_image = imread (“new_image.jpg”);
                                  
                                   new_hog_features = extractHOGFeatures (new_image,“CellSize”,(cell_size cell_size]);
                                  
                                   %的新特性投射到所选的主成分
                                  
                                   new_selected_features = (new_hog_features *多项式系数(:1:num_components));
                                  
                                   %预测新形象的类使用k - means训练分类器
                                  
                                   new_label =预测(kmeans_classifier new_selected_features);
                                  
                                   %显示预测标签的新形象
                                  
                                   disp ([“预测新形象的标签是:“num2str (new_label)]);

Chanille 2023年4月12日

编辑:Chanille 2023年4月12日

T2.xlsx

@Image分析师之后我从最准确的模型生成函数,我试图用新的数据,我知道属于A类或B类是否classifer corectly将分类新数据。

我上传的表代码在一个新的编译器选项卡:

                                   T2 = readtable (“T2.xlsx”,“表”,“Sheet1”);
                                  
                                   yfit = trainedClassifier.predictFcn (T2);
                                  
                                   % %生成的因数
                                  
                                   函数[trainedClassifier, validationAccuracy] = trainClassifier (trainingData responseData)中
                                  
                                   % (trainedClassifier validationAccuracy] = trainClassifier (trainingData,
                                  
                                   % responseData)中
                                  
                                   %返回一个训练分类器,其准确性。这段代码再现了
                                  
                                   %分类模型在分类学习者应用。使用训练
                                  
                                   %生成的代码自动化培训与新数据相同的模型,或
                                  
                                   %学习如何编程训练模型。
                                  
                                   %
                                  
                                   %的输入:
                                  
                                   % trainingData:包含相同的预测列一个表
                                  
                                   %导入到应用程序。
                                  
                                   %
                                  
                                   % responseData:中一个向量具有相同数据类型的向量
                                  
                                   %导入到应用程序。responseData和的数量中的长度
                                  
                                   %行trainingData必须相等。
                                  
                                   %
                                  
                                   %输出:
                                  
                                   % trainedClassifier:包含训练分类器的结构。的
                                  
                                   %结构包含各个领域的信息培训
                                  
                                   %分类器。
                                  
                                   %
                                  
                                   % trainedClassifier。新predictFcn:一个函数进行预测
                                  
                                   %的数据。
                                  
                                   %
                                  
                                   % validationAccuracy:包含精度的两倍
                                  
                                   %百分比。应用程序中,模型窗格显示这个整体
                                  
                                   %为每个模型准确性分数。
                                  
                                   %
                                  
                                   %使用代码来训练模型的新数据。再培训你
                                  
                                   %分类器,从命令行调用该函数与原始
                                  
                                   %数据或新的数据作为输入参数trainingData和responseData。中
                                  
                                   %
                                  
                                   %为例,训练一个分类器训练与原数据集T
                                  
                                   %和响应Y,输入:
                                  
                                   % (trainedClassifier validationAccuracy] = trainClassifier (T, Y)
                                  
                                   %
                                  
                                   %与返回的“trainedClassifier”作出预测新数据T2,
                                  
                                   %使用
                                  
                                   % yfit = trainedClassifier.predictFcn (T2)
                                  
                                   %
                                  
                                   % T2必须包含至少一个表列预测一样使用
                                  
                                   %在训练。详情,请输入:
                                  
                                   % trainedClassifier.HowToPredict
                                  
                                   %自动生成在12 - 4月- 2023 08:32:47 MATLAB
                                  
                                   %提取预测和响应
                                  
                                   %这段代码处理数据为训练成正确的形状
                                  
                                   %的模型。
                                  
                                   inputTable = trainingData;
                                  
                                   predictorNames = {“Var3”,“Var4”,“Var5”,“Var6”,“Var7”,“Var8”,“Var9”,“Var10”,“Var11”,“Var12”};
                                  
                                   预测= inputTable (:, predictorNames);
                                  
                                   响应= responseData;中
                                  
                                   isCategoricalPredictor =[假的,假的,假的,假的,假的,假的,假的,假的,假的,假的);
                                  
                                   %训练分类器
                                  
                                   %这段代码指定所有的分类器的选择和训练分类器。
                                  
                                   classificationNeuralNetwork = fitcnet (…
                                  
                                   预测,…
                                  
                                   的反应,…
                                  
                                   “LayerSizes”,100,…
                                  
                                   “激活”,“relu”,…
                                  
                                   “λ”0,…
                                  
                                   “IterationLimit”,1000,…
                                  
                                   “标准化”,真的,…
                                  
                                   “类名”,(1;2);
                                  
                                   %创建结果结构预测函数
                                  
                                   predictorExtractionFcn = @ t (t) (:, predictorNames);
                                  
                                   neuralNetworkPredictFcn = @ (x)预测(classificationNeuralNetwork x);
                                  
                                   trainedClassifier。predictFcn = @ (x) neuralNetworkPredictFcn (predictorExtractionFcn (x));
                                  
                                   %添加额外的字段结构的结果
                                  
                                   trainedClassifier。RequiredVariables = {“Var10”,“Var11”,“Var12”,“Var3”,“Var4”,“Var5”,“Var6”,“Var7”,“Var8”,“Var9”};
                                  
                                   trainedClassifier。ClassificationNeuralNetwork = ClassificationNeuralNetwork;
                                  
                                   trainedClassifier。约=这个结构是一个训练有素的模型从分类学习者R2022a出口。”;
                                  
                                   trainedClassifier。HowToPredict = sprintf (“新表进行预测,T,用途:\ n yfit = c.predictFcn (T) \ nreplacing“c”这个结构体变量的名称,如“trainedModel”。\ n \ nThe表、T必须包含返回的变量:\ n c。RequiredVariables \ nVariable格式(如矩阵或向量,数据类型)必须匹配最初的训练数据。\ nAdditional变量将被忽略。\ n \ nFor更多信息,请参见< a href = " matlab: helpview (fullfile (docroot,“统计”,“stats.map”),“appclassification_exportmodeltoworkspace”)”>如何使用一个导出的模型预测< / >。);
                                  
                                   %提取预测和响应
                                  
                                   %这段代码处理数据为训练成正确的形状
                                  
                                   %的模型。
                                  
                                   inputTable = trainingData;
                                  
                                   predictorNames = {“Var3”,“Var4”,“Var5”,“Var6”,“Var7”,“Var8”,“Var9”,“Var10”,“Var11”,“Var12”};
                                  
                                   预测= inputTable (:, predictorNames);
                                  
                                   响应= responseData;中
                                  
                                   isCategoricalPredictor =[假的,假的,假的,假的,假的,假的,假的,假的,假的,假的);
                                  
                                   %进行交叉验证
                                  
                                   partitionedModel = crossval (trainedClassifier.ClassificationNeuralNetwork,“KFold”5);
                                  
                                   %计算验证预测
                                  
                                   [validationPredictions, validationScores] = kfoldPredict (partitionedModel);
                                  
                                   %计算精度验证
                                  
                                   validationAccuracy = 1 - kfoldLoss (partitionedModel“LossFun”,“ClassifError”);

Chanille 2023年4月17日

@Image分析师我将开始一个新的线程,最后一个问题。滚动很长!

登录置评。

类别

图像处理和计算机视觉图像处理工具箱图像滤波和增强 ROI-Based处理

找到更多的在ROI-Based处理在帮助中心和文件交换

s manbetx 845

图像处理工具箱

社区寻宝

找到宝藏在MATLAB中央,发现社区如何帮助你!

开始狩猎!

我在我的代码有对象的边界。我想用这些边界计算的特点这些对象在我前面的循环。请帮助解决

3评论
显示2年长的评论隐藏2年长的评论

接受的答案

52岁的评论
显示51年长的评论隐藏51年长的评论

更多的答案(0)

另请参阅

类别

标签

s manbetx 845

社区寻宝

我在我的代码有对象的边界。我想用这些边界计算的特点这些对象在我前面的循环。请帮助解决

3评论 显示2年长的评论隐藏2年长的评论

接受的答案

52岁的评论 显示51年长的评论隐藏51年长的评论

更多的答案(0)

另请参阅

类别

标签

s manbetx 845

社区寻宝

3评论
显示2年长的评论隐藏2年长的评论

52岁的评论
显示51年长的评论隐藏51年长的评论