对超像素匹配颜色的matlab代码示例

以下是一个使用超像素实现图像颜色匹配的 Matlab 代码示例：

% 读入待处理图片和参考图片
I = imread('image.png');
R = imread('reference.png');

% 将原图和参考图均匀划分成 200 个连通区域（超像素）
S1 = vl_slic(single(I), 200, 0.5); 
S2 = vl_slic(single(R), 200, 0.5); 

% 将超像素的平均颜色作为特征向量
I_f = zeros(200, 3);
R_f = zeros(200, 3);
for i=1:200
    mask = S1 == i;
    I_f(i,:) = mean(reshape(I(repmat(mask, [1,1,3])), [], 3));
    
    mask = S2 == i;
    R_f(i,:) = mean(reshape(R(repmat(mask, [1,1,3])), [], 3));
end

% 使用最近邻法将原图超像素的颜色映射到参考图上的超像素
[idx,~] = knnsearch(R_f, I_f);

% 用参考图中对应颜色的像素替换原图中超像素的颜色
I_new = zeros(size(I));
for i=1:max(S1(:))
    mask = S1 == i;
    I_new(repmat(mask, [1,1,3])) = R(repmat(S2==idx(i), [1,1,3]));
end

% 显示处理后的图片
imshow(I_new);

这段代码首先读入了待处理的图片 `I` 和参考图片 `R`，然后将它们分别分成了 200 个连通区域（超像素）。接着，对于每个超像素，将它的平均颜色作为特征向量。然后使用最近邻法将原图上的超像素的颜色映射到参考图上的超像素，并将参考图中对应颜色的像素替换原图超像素的颜色。最后将处理后的图片 `I_new` 显示出来。

需要注意的是，这里使用的超像素方法是 SLIC（Simple Linear Iterative Clustering），Matlab 有对应的函数 `vl_slic` 可以直接调用。