OpenCV之meanshift分割详解

　

meanshift

1. 原理

用meanshift做图像平滑和分割，其实是一回事。其本质是经过迭代，将收敛点的像素值代替原来的像素值，从而去除了局部相似的纹理，同时保留了边缘等差异较大的特征。

OpenCV中自带有基于meanshift的分割方法pyrMeanShiftFiltering()。由函数名pyrMeanShiftFiltering可知，这里是将meanshift算法和图像金字塔相结合用来分割的。

[cpp] view plain copy

1. <span style="font-size:18px;">void PyrMeanShiftFiltering( const CvArr* srcarr,          //输入图像  
2.                     CvArr* dstarr,        //输出图像  
3.                    double  sp,            //颜色域半径  
4.                     double sr,            //空间域半径  
5.                        int max_level,     //金字塔最大层数                      
6.                 CvTermCriteria termcrit )     //迭代终止条件</span>  

要求输入和输出图像都是CV_8UC3类型，而且两者尺寸一样。实际上并不需要去先定义dstarr，因为程序里会将srcarr的格式赋值给dstarr。

termcrit有三种情况，迭代次数、迭代精度和两者同时满足。默认为迭代次数为5同时迭代精度为1。termcrit是个结构体，其结构如下

[cpp] view plain copy

1. <span style="font-size:18px;">typedef struct CvTermCriteria  
2. {  
3.     int    type;        /*CV_TERMCRIT_ITER或CV_TERMCRIT_EPS 或二者都是*/  
4.     int    max_iter;   /* 最大迭代次数 */  
5.     double epsilon;    /* 结果的精确性 */  
6. }  
7. CvTermCriteria;</span>  

     使用pyrMeanShiftFiltering()进行图像分割非常简单，只需要定义sp0,sr,max_level和termrit，然后调用pyrMeanShiftFiltering()就行了。

在实际操作时，为了使分割的结果显示得更明显，经常用floodFill( )将不同连通域涂上不同的颜色。具体情况参看下 面的实例。

2. 程序实例

来看看opencv自带的一个用meanshift进行分割的例子

原程序见   “  .\OpenCV249\sources\samples\cpp\meanshift_segmentation.cpp”

[cpp] view plain copy

1. <span style="font-size:18px;">#include "opencv2/highgui/highgui.hpp"  
2. #include "opencv2/core/core.hpp"  
3. #include "opencv2/imgproc/imgproc.hpp"  
4.   
5. #include <iOStream>  
6.   
7. using namespace cv;  
8. using namespace std;  
9.   
10. static void help(char** argv)  
11. {  
12.     cout << "\nDemonstrate mean-shift based color segmentation in spatial pyramid.\n"  
13.     << "Call:\n   " << argv[0] << " image\n"  
14.     << "This program allows you to set the spatial and color radius\n"  
15.     << "of the mean shift window as well as the number of pyramid reduction levels explored\n"  
16.     << endl;  
17. }  
18.   
19. //This colors the segmentations  
20. static void floodFillPostprocess( Mat& img, const Scalar& colorDiff=Scalar::all(1) )  
21. {  
22.     CV_Assert( !img.empty() );  
23.     RNG rng = theRNG();  
24.     Mat mask( img.rows+2, img.cols+2, CV_8UC1, Scalar::all(0) );  
25.     for( int y = 0; y < img.rows; y++ )  
26.     {  
27.         for( int x = 0; x < img.cols; x++ )  
28.         {  
29.             if( mask.at<uchar>(y+1, x+1) == 0 )  
30.             {  
31.                 Scalar newVal( rng(256), rng(256), rng(256) );  
32.                 floodFill( img, mask, Point(x,y), newVal, 0, colorDiff, colorDiff );  
33.             }  
34.         }  
35.     }  
36. }  
37.   
38. string winName = "meanshift";  
39. int spatialRad, colorRad, maxPyrLevel;  
40. Mat img, res;  
41.   
42. static void meanShiftSegmentation( int, void* )  
43. {  
44.     cout << "spatialRad=" << spatialRad << "; "  
45.          << "colorRad=" << colorRad << "; "  
46.          << "maxPyrLevel=" << maxPyrLevel << endl;  
47.     pyrMeanShiftFiltering( img, res, spatialRad, colorRad, maxPyrLevel );  
48.     //Mat imgGray;  
49.     //cvtColor(res,imgGray,CV_RGB2GRAY);  
50.     //imshow("res",res);  
51.     floodFillPostprocess( res, Scalar::all(2) );  
52.     imshow( winName, res );  
53. }  
54.   
55. int main(int argc, char** argv)  
56. {         
57.     img = imread("rubberwhale1.png");  
58.     //img = imread("pic2.png");   
59.       
60.       
61.     if( img.empty() )  
62.         return -1;  
63.   
64.     spatialRad = 10;    
65.     colorRad = 10;  
66.     maxPyrLevel = 1;  
67.   
68.     namedWindow( winName, WINDOW_AUTOSIZE );  
69.     //imshow("img",img);      
70.   
71.   
72.     createTrackbar( "spatialRad", winName, &spatialRad, 80, meanShiftSegmentation );  
73.     createTrackbar( "colorRad", winName, &colorRad, 60, meanShiftSegmentation );  
74.     createTrackbar( "maxPyrLevel", winName, &maxPyrLevel, 5, meanShiftSegmentation );  
75.   
76.     meanShiftSegmentation(0, 0);  
77.     //floodFillPostprocess( img, Scalar::all(2) );  
78.     //imshow("img2",img);  
79.     waitKey();  
80.     return 0;  
81. }</span>  

程序很简单，来看看floodFill()函数，有两种形式

int floodFill( InputOutputArray image, Point seedPoint, Scalar newVal, CV_OUT Rect* rect=0, Scalar loDiff=Scalar(), Scalar upDiff=Scalar(), int flags=4 );

int floodFill( InputOutputArray image,  InputOutputArray mask, Point seedPoint,  Scalar newVal, CV_OUT Rect* rect=0,  Scalar loDiff=Scalar(),  Scalar upDiff=Scalar(),  int flags=4 );

InputOutputArray image    输入输出图像，要求格式为1通道或3通道，8位或浮点

InputOutputArray mask   掩膜，比image的宽和高各大两像素点

Point seedPoint    填充的起始点

  Scalar newVal   像素点被染色的值

  CV_OUT Rect* rect=0  可选参数，设置floodFill()要重绘区域的最小边界矩形区域

  Scalar loDiff=Scalar()  定义当前像素值与起始点像素值的亮度或颜色负差的最大值

  Scalar upDiff=Scalar()  定义当前像素值与起始点像素值的亮度或颜色正差的最大值

  flags 操作标志符    

程序结果

处理后一些细小的纹理都平滑掉了，例如图中绿色线条所指示的区域。未填充时，很多地方看得并不明显，填充后就能明显看出差别来了。填充后的图很好地体现了meanshift聚类的思想！

  

再来看一组更“夸张”的效果图

使用meanshift方法进行处理后，原来的三个矩形区域消失了！平滑掉了！    

 

meanshift算法的两个关键参数是空间域半径sr和颜色域半径sp，别说max_level，那是构建图像金字塔的参数好吧。最后，我们来看看sr和sp对结果的影响。

显然颜色域半径sp对结果的影响比空间域半径sr对结果的影响大。sp和sr越小，细节保留得越多，sp和sr越大，平滑力度越大。边缘和颜色突变的区域的特征保留的较好。因为meanshift要对每个像素点进行操作，所以算法的时间花销很大。

相关阅读

基于显著性的图像分割

本篇文章介绍了显著性图像的分割，这个方法最初来源于对于发掘一个自动生成图像三分图方法的兴趣，这个抠图算法用于关注前景和背景细

分割文件

1. 将代码复制到txt文本中，后缀改成.vbs 2.和要分割的文件放在同一目录下并执行该程序 3.执行完后会弹框报错，不要紧。 Set fs =Cr

知名网站如何使用黄金分割布局

在所有的比例中黄金分割是最能引起人的美感的，0.618被公认为最具有审美意义的比例数字。黄金分割之所以那么普遍的流行，我猜一定跟

深度学习（目标检测。图像分割等）图像标注工具汇总

对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同

猴子吃香蕉, 分割数组

猴子吃香蕉, 分割数组（猴子吃香蕉可是掰成好几段来吃哦）把一个数组arr按照指定的数组大小size分割成若干个数组块。例如:chunk([1,2