點擊上方"藍色小字"關注我呀
javascript
再有就是區域生長這類的；算法
以及分水嶺算法，分水嶺算法代碼寫好有一段時間了，但實在不知道文章咋寫...就再放放吧；最後就是超像素分割了，超像素分割有k-means算法的影子，因此能夠先看看k-means算法的代碼實現過程。app
初始化種子點（聚類中心）：按照設定的超像素個數，在圖像內均勻的分配種子點。假設圖片總共有 N 個像素點，預分割爲 K 個相同尺寸的超像素，那麼每一個超像素的大小爲N/ K ，則相鄰種子點的距離（步長）近似爲S=sqrt(N/K)。函數
在種子點的n*n鄰域內從新選擇種子點（通常取n=3）。具體方法爲：計算該鄰域內全部像素點的梯度值，將種子點移到該鄰域內梯度最小的地方。這樣作的目的是爲了不種子點落在梯度較大的輪廓邊界上，以避免影響後續聚類效果。flex
在每一個種子點周圍的鄰域內爲每一個像素點分配類標籤（即屬於哪一個聚類中心）。和標準的k-means在整張圖中搜索不一樣，SLIC的搜索範圍限制爲2S2S，能夠加速算法收斂，以下圖。在此注意一點：指望的超像素尺寸爲SS，可是搜索的範圍是2S*2S。優化
距離度量。包括顏色距離和空間距離。對於每一個搜索到的像素點，分別計算它和該種子點的距離。距離計算方法以下：ui
其中，dc表明顏色距離，ds表明空間距離，Ns是類內最大空間距離，定義爲Ns=S=sqrt(N/K)，適用於每一個聚類。最大的顏色距離Nc既隨圖片不一樣而不一樣，也隨聚類不一樣而不一樣，因此咱們取一個固定常數m（取值範圍[1,40],通常取10）代替。最終的距離度量D’以下：url
因爲每一個像素點都會被多個種子點搜索到，因此每一個像素點都會有一個與周圍種子點的距離，取最小值對應的種子點做爲該像素點的聚類中心。
迭代優化。理論上上述步驟不斷迭代直到偏差收斂（能夠理解爲每一個像素點聚類中心再也不發生變化爲止），實踐發現10次迭代對絕大部分圖片均可以獲得較理想效果，因此通常迭代次數取10。
-
加強連通性。通過上述迭代優化可能出現如下瑕疵：出現多連通狀況、超像素尺寸太小，單個超像素被切割成多個不連續超像素等，這些狀況能夠經過加強連通性解決。主要思路是：新建一張標記表，表內元素均爲-1，按照「Z」型走向（從左到右，從上到下順序）將不連續的超像素、尺寸太小超像素從新分配給鄰近的超像素，遍歷過的像素點分配給相應的標籤，直到全部點遍歷完畢爲止。
程序聲明瞭一個SLIC算法類，類的具體程序太長了，就不貼了，你們能夠去qq羣下載程序本身看，都註釋好了。
就看一下主程序吧：
int main(){ 【1】讀取原圖並顯示 Mat image = imread("千矢.png",33); if (image.empty()) { printf_s("圖片讀取失敗"); return -1; } imshow("原圖", image); 【2】轉換爲LAB顏色空間 方便計算距離 Mat lab_image = image.clone(); cvtColor(image, lab_image, COLOR_BGR2Lab);
//定義超像素數以及權重 int w = image.cols, h = image.rows; int nr_superpixels = 300;//超像素數 int nc = 40;//權重m double step = sqrt((w * h) / (double)nr_superpixels); 【3】執行SLIC超像素算法 SLIC slic; slic.generate_superpixels(&lab_image, step, nc); slic.create_connectivity(&lab_image);
【4】顯示分割輪廓和分割結果圖 //該三個函數能夠分別註釋單獨顯示查看 slic.colour_with_cluster_means(&image);//顏色均值填充 slic.display_contours(&image, Scalar(0, 0, 255));//顯示輪廓 //slic.display_center_grid(&image, Scalar(255, 0, 0));//顯示中心點 imshow("result", image); waitKey(0);}
一共是四個步驟。其中步驟【2】中須要本身定義兩個變量nr_superpixels和nc。
nr_superpixels爲超像素個數，你能夠根據圖像大小本身定義，若是圖像x方向10個超像素塊，y方向30個超像素塊，那就是300。
權重變量nc，即上文【算法原理】第4步中的固定常數m，通常取1-40範圍內的整數。
本文原創內容有限，就是整合了一下本身看的超像素分割的博客，兩篇不錯的連接放這兒了：
https://blog.csdn.net/zhj_matlab/article/details/52986700https://blog.csdn.net/qq_26129959/article/details/90760028
代碼放qq羣了，今天就到這裏啦。
本文分享自微信公衆號 - Opencv視覺實踐（gh_31e12b1be0e0）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。