我有一张尺寸为 RGB 的图像uint8(576,720,3)我想将每个像素分类为一组颜色。我已经使用rgb2lab从RGB空间到LAB空间，然后删除L层，所以现在是double(576,720,2)由AB组成。
现在，我想将其分类为我在另一张图像上训练过的一些颜色，并将它们各自的 AB 表示计算为：
Cluster 1: -17.7903 -13.1170
Cluster 2: -30.1957 40.3520
Cluster 3: -4.4608 47.2543
Cluster 4: 46.3738 36.5225
Cluster 5: 43.3134 -17.6443
Cluster 6: -0.9003 1.4042
Cluster 7: 7.3884 11.5584
现在，为了将每个像素分类/标记为簇 1-7，我当前执行以下操作（伪代码）：
clusters;
for each x
for each y
ab = im(x,y,2:3);
dist = norm(ab - clusters); // norm of dist between ab and each cluster
[~, idx] = min(dist);
end
end
然而，由于图像分辨率以及我手动循环每个 x 和 y，这非常慢（52 秒）。
我可以使用一些内置函数来执行相同的工作吗？必须有。
总结一下：我需要一种分类方法，将像素图像分类到一组已经定义的簇中。
For a N x 2大小的点/像素数组，你可以避免permute正如建议的路易斯的其他解决方案，这可能会减慢速度，有一种"permute-unrolled"它的版本，也让我们bsxfun努力实现2D数组而不是3D数组，性能一定更好。
因此，假设簇被排序为N x 2大小的数组，你可以尝试其他bsxfun基于方法-
%// Get a's and b's
im_a = im(:,:,2);
im_b = im(:,:,3);
%// Get the minimum indices that correspond to the cluster IDs
[~,idx] = min(bsxfun(@minus,im_a(:),clusters(:,1).').^2 + ...
bsxfun(@minus,im_b(:),clusters(:,2).').^2,[],2);
idx = reshape(idx,size(im,1),[]);
您可以尝试另一种利用的方法fast matrix multiplication in MATLAB并基于这个智能解决方案 -
d = 2; %// dimension of the problem size
im23 = reshape(im(:,:,2:3),[],2);
numA = size(im23,1);
numB = size(clusters,1);
A_ext = zeros(numA,3*d);
B_ext = zeros(numB,3*d);
for id = 1:d
A_ext(:,3*id-2:3*id) = [ones(numA,1), -2*im23(:,id), im23(:,id).^2 ];
B_ext(:,3*id-2:3*id) = [clusters(:,id).^2 , clusters(:,id), ones(numB,1)];
end
[~, idx] = min(A_ext * B_ext',[],2); %//'
idx = reshape(idx, size(im,1),[]); %// Desired IDs
让我们考虑两个矩阵A and B我们要计算他们之间的距离矩阵。为了接下来更容易解释，让我们考虑一下A as 3 x 2 and B as 4 x 2大小的数组，从而表明我们正在处理 X-Y 点。如果我们有A as N x 3 and B as M x 3大小的数组，那么那些将是X-Y-Z points.
现在，如果我们必须手动计算距离矩阵平方的第一个元素，它看起来像这样 –
first_element = ( A(1,1) – B(1,1) )^2 + ( A(1,2) – B(1,2) )^2
这将是——
first_element = A(1,1)^2 + B(1,1)^2 -2*A(1,1)* B(1,1) + ...
A(1,2)^2 + B(1,2)^2 -2*A(1,2)* B(1,2) … Equation (1)
现在，根据我们提出的矩阵乘法，如果您检查A_ext and B_ext早期代码中的循环结束后，它们将如下所示 –
因此，如果您执行之间的矩阵乘法A_ext并转置B_ext，乘积的第一个元素将是第一行之间的元素乘法之和A_ext and B_ext，即这些的总和 –
结果将与获得的结果相同Equation (1)早些时候。这将继续适用于所有元素A反对所有要素B与在同一列中A。因此，我们最终会得到完整的平方距离矩阵。这就是全部了！
基于距离矩阵计算的矩阵乘法的矢量化变体是可能的，尽管它们没有看到任何重大的性能改进。接下来列出了两个这样的变体。
变化#1
[nA,dim] = size(A);
nB = size(B,1);
A_ext = ones(nA,dim*3);
A_ext(:,2:3:end) = -2*A;
A_ext(:,3:3:end) = A.^2;
B_ext = ones(nB,dim*3);
B_ext(:,1:3:end) = B.^2;
B_ext(:,2:3:end) = B;
distmat = A_ext * B_ext.';
变化#2
[nA,dim] = size(A);
nB = size(B,1);
A_ext = [ones(nA*dim,1) -2*A(:) A(:).^2];
B_ext = [B(:).^2 B(:) ones(nB*dim,1)];
A_ext = reshape(permute(reshape(A_ext,nA,dim,[]),[1 3 2]),nA,[]);
B_ext = reshape(permute(reshape(B_ext,nB,dim,[]),[1 3 2]),nB,[]);
distmat = A_ext * B_ext.';
因此，这些也可以被视为实验版本。