目录
网站
智能图像色彩缩减和量化
网站
https://yarpiz.com/
智能图像色彩缩减和量化
使用智能聚类方法：（a）k均值算法，（b）模糊c均值聚类（FCM）和（c）自组织神经网络，使用 RGB 和 HSV 颜色编码来执行聚类任务。
file = uigetfile打开一个模态对话框，其中列出了当前文件夹中的文件。用户可以在这里选择或输入文件的名称。如果文件存在并且有效，当用户点击打开时，uigetfile将返回文件名。如果用户点击取消或窗口关闭按钮 (X)，uigetfile将返回0。当用户点击打开时，
[file,path] = uigetfile将返回文件的名称和路径。如果用户点击取消或窗口关闭按钮 (X)，uigetfile将为两个输出参数都返回0。
[file,path,indx] = uigetfile将返回在对话框中选择的筛选器的索引。
___ = uigetfile(filter)指定文件扩展名，根据该扩展名筛选对话框中显示的文件。可以将此语法与上述语法中的任何输出参数结合使用。
pause(n) 暂停执行 n 秒，然后继续执行。必须启用暂停，此调用才能生效。
pause(state) 启用、禁用或显示当前暂停设置。
oldState = pause(state) 返回当前暂停设置并如 state 所示设置暂停状态。例如，如果已启用暂停功能，oldState = pause('off') 会在 oldState 中返回 'on' 并禁用暂停。
提取rgb
img=imread(FullFileName); img=im2double(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); X=[R(:) G(:) B(:)]; Z=X;strcmpi - 比较字符串（不区分大小写）
此 MATLAB 函数 将比较 s1 和 s2，并忽略字母大小写差异。如果二者相同，函数将返回 1(true)，否则返回 0 (false)。如果文本的大小和内容相同，则它们将视为相等，不考虑大小
写。返回结果 tf 的数据类型为 logical。
kmeans
idx = kmeans(X,k)执行 k 均值聚类，以将 n×p 数据矩阵X的观测值划分为k个聚类，并返回包含每个观测值的簇索引的 n×1 向量 (idx)。X的行对应于点，列对应于变量。默认情况下，
kmeans使用欧几里德距离平方度量，并用 k-means++ 算法进行簇中心初始化。
idx = kmeans(X,k,Name,Value)进一步按一个或多个Name,Value对组参数所指定的附加选项返回簇索引。例如，指定余弦距离、使用新初始值重复聚类的次数或使用并行计算的次数。prod
B = prod(A)返回A的数组元素的乘积。
如果
A是向量，则prod(A)返回元素的乘积。如果
A为非空矩阵，则prod(A)将A的各列视为向量，并返回一个包含每列乘积的行向量。如果
A为 0×0 空矩阵，prod(A)返回1。如果
A为多维数组，则prod(A)沿第一个非单一维度运算并返回乘积数组。此维度的大小将减少至1，而所有其他维度的大小保持不变。如果输入
A为single类型，则prod会计算并将B以single类型返回。如果为任何其他数值和逻辑数据类型，prod会计算并将B以double类型返回。
B = prod(A,计算'all')A的所有元素的乘积。
clc;
clear;
close all;
%% Select Image
Filter={'*.jpg;*.jpeg;*.png'};
[FileName, FilePath]=uigetfile(Filter);
pause(0.01);
if FileName==0
return;
end
FullFileName=[FilePath FileName];
%% Load Image Data
Choices = {'RGB', 'HSV'};
ANSWER = questdlg('Select the color coding:', ...
'Color Coding', ...
Choices{1}, Choices{2}, ...
Choices{1});
pause(0.01);
img=imread(FullFileName);
img=im2double(img);
R=img(:,:,1);
G=img(:,:,2);
B=img(:,:,3);
X=[R(:) G(:) B(:)];
Z=X;
UseHSV = strcmpi(ANSWER, 'HSV');
if UseHSV
Y=rgb2hsv(X);
W=[3 1 2];
for l=1:numel(W)
Y(:,l)=Y(:,l)*W(l);
end
Z=Y;
end
%% Number of Desired Colors
ANSWER = inputdlg('Number of desired colors:','Color Reduction',1,{'25'});
pause(0.01);
nColor = str2double(ANSWER{1});
%% Select Algorithm
Choices = {'k-Means Clusterin', 'Fuzzy Clustering (FCM)', 'SOM Network'};
ANSWER = questdlg('Select the clustering algorithm:', ...
'Color Coding', ...
Choices{1}, Choices{2}, Choices{3}, ...
Choices{1});
pause(0.01);
UseKMeans = strcmpi(ANSWER, Choices{1});
UseFCM = strcmpi(ANSWER, Choices{2});
UseSOM = strcmpi(ANSWER, Choices{3});
%% Perform Clustering
if UseKMeans
Method = 'k-Means Clustering';
Options.MaxIter=1000;
[IDX, C]=kmeans(Z,nColor,'options',Options);
end
if UseFCM
Method = 'Fuzzy Clustering (FCM)';
[C, U]=fcm(Z,nColor);
[MaxU, IDX]=max(U);
end
if UseSOM
Method = 'SOM Neural Network';
NetSize=[floor(sqrt(nColor)) ceil(sqrt(nColor))];
nColor = prod(NetSize);
[IDX, C]=SOM(Z,NetSize);
end
%% Create Reduced Image
Z2=C(IDX,:);
if UseHSV
Y2 = Z2;
for l=1:numel(W)
Y2(:,l)=Y2(:,l)/W(l);
end
X2=hsv2rgb(Y2);
else
X2=Z2;
end
R2=reshape(X2(:,1),size(R));
G2=reshape(X2(:,2),size(G));
B2=reshape(X2(:,3),size(B));
img2=zeros(size(img));
img2(:,:,1)=R2;
img2(:,:,2)=G2;
img2(:,:,3)=B2;
%% Show Results
figure;
subplot(1,2,1);
imshow(img);
title('Original Image');
subplot(1,2,2);
imshow(img2);
title(['Color Reduced Image (k = ' num2str(nColor) ') using ' Method]);
