点击上方"蓝色小字"关注我呀
javascript
再有就是区域生长这类的；算法
以及分水岭算法，分水岭算法代码写好有一段时间了，但实在不知道文章咋写...就再放放吧；最后就是超像素分割了，超像素分割有k-means算法的影子，因此能够先看看k-means算法的代码实现过程。app
初始化种子点（聚类中心）：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每一个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。函数
在种子点的n*n邻域内从新选择种子点（通常取n=3）。具体方法为：计算该邻域内全部像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样作的目的是为了不种子点落在梯度较大的轮廓边界上，以避免影响后续聚类效果。flex
在每一个种子点周围的邻域内为每一个像素点分配类标签（即属于哪一个聚类中心）。和标准的k-means在整张图中搜索不一样，SLIC的搜索范围限制为2S2S，能够加速算法收敛，以下图。在此注意一点：指望的超像素尺寸为SS，可是搜索的范围是2S*2S。优化
距离度量。包括颜色距离和空间距离。对于每一个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法以下：ui
其中，dc表明颜色距离，ds表明空间距离，Ns是类内最大空间距离，定义为Ns=S=sqrt(N/K)，适用于每一个聚类。最大的颜色距离Nc既随图片不一样而不一样，也随聚类不一样而不一样，因此咱们取一个固定常数m（取值范围[1,40],通常取10）代替。最终的距离度量D’以下：url
因为每一个像素点都会被多个种子点搜索到，因此每一个像素点都会有一个与周围种子点的距离，取最小值对应的种子点做为该像素点的聚类中心。
迭代优化。理论上上述步骤不断迭代直到偏差收敛（能够理解为每一个像素点聚类中心再也不发生变化为止），实践发现10次迭代对绝大部分图片均可以获得较理想效果，因此通常迭代次数取10。
-
加强连通性。通过上述迭代优化可能出现如下瑕疵：出现多连通状况、超像素尺寸太小，单个超像素被切割成多个不连续超像素等，这些状况能够经过加强连通性解决。主要思路是：新建一张标记表，表内元素均为-1，按照“Z”型走向（从左到右，从上到下顺序）将不连续的超像素、尺寸太小超像素从新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到全部点遍历完毕为止。
程序声明了一个SLIC算法类，类的具体程序太长了，就不贴了，你们能够去qq群下载程序本身看，都注释好了。
就看一下主程序吧：
int main(){ 【1】读取原图并显示 Mat image = imread("千矢.png",33); if (image.empty()) { printf_s("图片读取失败"); return -1; } imshow("原图", image); 【2】转换为LAB颜色空间 方便计算距离 Mat lab_image = image.clone(); cvtColor(image, lab_image, COLOR_BGR2Lab);
//定义超像素数以及权重 int w = image.cols, h = image.rows; int nr_superpixels = 300;//超像素数 int nc = 40;//权重m double step = sqrt((w * h) / (double)nr_superpixels); 【3】执行SLIC超像素算法 SLIC slic; slic.generate_superpixels(&lab_image, step, nc); slic.create_connectivity(&lab_image);
【4】显示分割轮廓和分割结果图 //该三个函数能够分别注释单独显示查看 slic.colour_with_cluster_means(&image);//颜色均值填充 slic.display_contours(&image, Scalar(0, 0, 255));//显示轮廓 //slic.display_center_grid(&image, Scalar(255, 0, 0));//显示中心点 imshow("result", image); waitKey(0);}
一共是四个步骤。其中步骤【2】中须要本身定义两个变量nr_superpixels和nc。
nr_superpixels为超像素个数，你能够根据图像大小本身定义，若是图像x方向10个超像素块，y方向30个超像素块，那就是300。
权重变量nc，即上文【算法原理】第4步中的固定常数m，通常取1-40范围内的整数。
本文原创内容有限，就是整合了一下本身看的超像素分割的博客，两篇不错的连接放这儿了：
https://blog.csdn.net/zhj_matlab/article/details/52986700https://blog.csdn.net/qq_26129959/article/details/90760028
代码放qq群了，今天就到这里啦。
本文分享自微信公众号 - Opencv视觉实践（gh_31e12b1be0e0）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。