超像素的特徵提取

Question

我工作的一個項目，以定位右心室，基於超象素和機器學習， 這是一個超級像素的分割結果（SLIC）：

我對超像素特徵提取有一些疑問：

1. 紋理特徵。我知道superpixel塊是反常的，但紋理特徵提取通常是基於矩形，我不知道如何計算它們？我讀了一篇關於超像素和RF的論文，「Mahapatra，D.（2014）。 Automatic Cardiac Segmentation Using Semantic Information from Random Forests.Journal of Digital Imaging，27（6），794-804。「 有一個在2.3.3

   在本文一節「我們各向異性的概念延伸到2D曲率的特徵。 曲率各向異性以類似的方式計算作爲紋理 各向異性。曲率值的熵是從圖像的9個 扇區來確定。如果曲率值具有寬分佈 它表示較大的各向異性，從而導致更高的熵值。在 另一方面低熵值表明較少的各向異性」

   如何CA他們？

我的主要編程語言是MATLAB。

Answer 1

在每個超像素的基礎上定義特徵的一種常用方法是使用您選擇的統計量（均值是非常常見的選擇）來聚合構成超像素的像素的特徵。所以，就你而言，可以說你已經在每個像素的基礎上計算了Gabor紋理特徵。您可以將超像素1中所有像素的Gabor紋理特徵取平均值，並且將爲超像素1定義紋理特徵集合...等等。

以下示例顯示了用於定義每個超像素的b *特徵的平均顏色特徵的計算。工作流將保持不變，你只需替換您的紋理特徵的，而不是顏色特徵：

https://www.mathworks.com/help/images/land-classification-with-color-features-and-superpixels.html