Matlab 减少像素的局部邻域

我最近遇到了一个我似乎无法解决的问题。我有一张经过处理的图像，它包含了许多像素，这些像素以小的“局部”组分布在整个图像上。我希望找到每组的“中心”，并在输出图像中放置一个像素作为每组的代表。分组可以是一个紧密的组，它们之间没有像素零间距，也可以是一个较小的扩展组，它们之间只有几个（小于4~5像素）。我的第一个想法是使用一些沿着形态侵蚀线的东西，但这不能解释稍微分散的像素组的情况。我只是想知道是否有人能给我指出正确的方向。以下是我想做的一个例子： 左侧图像显示输入（大黑点表示一组像素，它们之间没有零），右侧图像是我想要的输出或处理图像类型的示例。最后，我使用MATLAB，可以假设输入图像是一个二值图像（无论黑色是1还是0，逻辑都应该是相同的）

非常感谢你的帮助

---

编辑：感谢大家的意见-我将在第二天左右尝试不同的解决方案，我将尝试回复我所做的每个人。非常感谢你们的富有洞察力的投入，非常感谢。

在这种情况下，您可以使用区域增长方法，首先连接clstered像素，然后使用腐蚀。如果你知道集群之间的距离比集群本身大的话，那就行了。可能使用重心来确定区域增长后每个斑点的中间。

在这种情况下，您可以使用区域增长方法首先连接clstered像素，然后使用腐蚀。如果你知道集群之间的距离比集群本身大的话，那就行了。也许可以使用重心来确定区域生长后每个斑点的中间位置。

我推荐一种方法，包括形态学闭合，然后进行连接成分分析。请注意，我已将问题倒置，因此“好点”值较高，“坏背景”值为黑色。这更符合形态学操作的预期定义

path = 'yourimage.png'
space = 5; % you can change this to make it accept bigger spacings

input = imcomplement(rgb2gray(imread(path))) > 0;
input = imclose(input, strel('disk', space));
[labels, num] = bwlabel(input, 8);
output = logical(zeros(size(input)));
for i = 1:num
   [r, c] = find(labels==i); 
   x = round(mean(c))
   y = round(mean(r))
   output(y,x) = 1;
end

imshow(output)

结果如下所示：

---

在我看来，这就是你要找的

我推荐一种方法，先进行形态闭合，然后进行连接成分分析。请注意，我已将问题倒置，因此“好点”值较高，“坏背景”值为黑色。这更符合形态学操作的预期定义

path = 'yourimage.png'
space = 5; % you can change this to make it accept bigger spacings

input = imcomplement(rgb2gray(imread(path))) > 0;
input = imclose(input, strel('disk', space));
[labels, num] = bwlabel(input, 8);
output = logical(zeros(size(input)));
for i = 1:num
   [r, c] = find(labels==i); 
   x = round(mean(c))
   y = round(mean(r))
   output(y,x) = 1;
end

imshow(output)

结果如下所示：

---

在我看来，这就是你要找的

您描述的问题通常称为。根据您的数据集和分析约束，这可能非常困难。然而，在您的情况下，它很简单，因为您有一个硬阈值（5像素）要使用

Aardvarkk已经提出了一个很好的解决方案，但它并没有真正演示集群的过程。这是一种非常简单的方法，可以对数据进行聚类，得到大致相同的结果

计算点之间的成对距离。对于N个点，这将生成一个NxN矩阵

阈值矩阵

遍历矩阵的行

每个迭代将如下所示：

• 如果

  i

  已群集，请继续
• 如果

  i

  不在集群中，则创建一个新集群并将

  i

  分配给它
• 找到靠近

  i

  的所有其他点（行

  i

  中等于1的列）
• 检查这些点是否已在群集中
• 如果是，则将

  i

  和

  i

  附近的所有点设置为最小群集id
• 如果未设置

  i

  ，且靠近

  i

  的所有点都设置为

  i的
  簇

下面是我快速想出的一个例子：

%Generate random points
nPts = 300;
clustId = zeros(nPts,1);
clusterCount = 0;
x = randi(3, [1, nPts])*10+ randn(1, nPts);
y = randi(3, [1, nPts])*10 + randn(1, nPts);

%Compute the distance matrix  from http://goo.gl/8mAoC
dist = distance([x;y], [x;y]);

maxDist = 5;
binDist = dist <= maxDist;


for i = 1:nPts
    % if this point is already clustered skip it
    if clustId(i) ~= 0
        continue;
    end

    %if the current point isn't in a cluster, create a new cluster and add
    %the point to that cluster
    if clustId(i) == 0
        clusterCount = clusterCount+1;
        clustId(i) = clusterCount;
        fprintf('New point, creating cluster:%d\n', clusterCount);
    end

    % get the indices of the points that collide with the i
    idx = binDist(:,i);

    % check to see if idx contains points that already belong to another clustered
    % if it doesn't collisionIdx will be equal to i
    collisionIdx = idx & clustId>0;

    %get the smallest cluster from collisionIdx
    mergeClustId = min(clustId(collisionIdx));

    %assing all the original points to that cluster
    clustId(idx) = mergeClustId;
end

然后将结果绘制为：

figure; 
plot(cx,cy,'c.', 'markersize', 50); hold on;
plot(x,y,'.');

---

您描述的问题通常称为。根据您的数据集和分析约束，这可能非常困难。然而，在您的情况下，它很简单，因为您有一个硬阈值（5像素）要使用

Aardvarkk已经提出了一个很好的解决方案，但它并没有真正演示集群的过程。这是一种非常简单的方法，可以对数据进行聚类，得到大致相同的结果

计算点之间的成对距离。对于N个点，这将生成一个NxN矩阵

阈值矩阵

遍历矩阵的行

每个迭代将如下所示：

• 如果

  i

  已群集，请继续
• 如果

  i

  不在集群中，则创建一个新集群并将

  i

  分配给它
• 找到靠近

  i

  的所有其他点（行

  i

  中等于1的列）
• 检查这些点是否已在群集中
• 如果是，则将

  i

  和

  i

  附近的所有点设置为最小群集id
• 如果未设置

  i

  ，且靠近

  i

  的所有点都设置为

  i的
  簇

下面是我快速想出的一个例子：

%Generate random points
nPts = 300;
clustId = zeros(nPts,1);
clusterCount = 0;
x = randi(3, [1, nPts])*10+ randn(1, nPts);
y = randi(3, [1, nPts])*10 + randn(1, nPts);

%Compute the distance matrix  from http://goo.gl/8mAoC
dist = distance([x;y], [x;y]);

maxDist = 5;
binDist = dist <= maxDist;


for i = 1:nPts
    % if this point is already clustered skip it
    if clustId(i) ~= 0
        continue;
    end

    %if the current point isn't in a cluster, create a new cluster and add
    %the point to that cluster
    if clustId(i) == 0
        clusterCount = clusterCount+1;
        clustId(i) = clusterCount;
        fprintf('New point, creating cluster:%d\n', clusterCount);
    end

    % get the indices of the points that collide with the i
    idx = binDist(:,i);

    % check to see if idx contains points that already belong to another clustered
    % if it doesn't collisionIdx will be equal to i
    collisionIdx = idx & clustId>0;

    %get the smallest cluster from collisionIdx
    mergeClustId = min(clustId(collisionIdx));

    %assing all the original points to that cluster
    clustId(idx) = mergeClustId;
end

然后将结果绘制为：

figure; 
plot(cx,cy,'c.', 'markersize', 50); hold on;
plot(x,y,'.');

---

正如斯莱顿所指出的，这是一个集群问题

由于集群的分离非常清楚，因此可以使用简单的基于图形的方法。如果您可以访问图形算法库（例如，存在许多绑定），那么以下方法应该非常简单：

用边权重作为距离，构建点的完整图形

计算最小生成tr