使用高斯混合模型(GMM)分割图像

使用C++、opencv中的高斯混合模型(GMM)进行图像分割

关于GMM聚类的原理及过程可参考博客:https://blog.csdn.net/lin_limin/article/details/81048411

使用聚类的方法分割图像,即将图像的像素点值(通常用彩色图像,像素点值为一个三元数组(b,g,r))作为聚类的元素,从而将图像中所有的点分为n类,达到分割的效果。

代码:

#include "stdafx.h"
#include<opencv2\opencv.hpp>
#include <iostream>
using namespace cv;
using namespace ml;

int main(int arc, char** argv) 
{
	Mat src = imread("C:/Users/lenovo/Desktop/1.jpg");
	namedWindow("input", WINDOW_NORMAL);
	imshow("input", src);

	int width = src.cols;
	int height = src.rows;
	int dims = src.channels();
	int pointsCount = width * height;

	Mat points(pointsCount, dims, CV_64FC1);
	Mat labels;
	//Scalar color[] = { Scalar(0,0,255), Scalar(0,255,0), Scalar(255,0,0) };
	//将图像转换为一维数据点,传入训练器进行分类
	int index = 0;
	for (int i = 0; i < height; i++) {
		for (int j = 0; j < width; j++) {
			index = i * width + j;
			points.at<double>(index, 0) = src.at<Vec3b>(i, j)[0];
			points.at<double>(index, 1) = src.at<Vec3b>(i, j)[1];
			points.at<double>(index, 2) = src.at<Vec3b>(i, j)[2];
		}
	}
	//GMM分割(基于高斯混合模型的期望最大值)
	Ptr<EM> em = EM::create();// 生成 EM 期望最大化,其图像分割的方式是基于机器学习的方式
	em->setClustersNumber(2);// 设置分类数
	em->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);// 协方差矩阵类型
	// 迭代条件,EM训练比KMeans耗时,可能会不收敛,所以迭代次数设大点
	em->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 100, 0.1));
	// 进行EM训练,获得分类结果,参数labels与KMeans的labels参数意思一样,速度比KMeans要慢很多
	em->trainEM(points, noArray(), labels, noArray());

	//将数据点转换为图像并显示
	Mat result1 = Mat::zeros(src.size(), CV_8UC3);
	result1 = Scalar::all(0);
	Mat result2 = Mat::zeros(src.size(), CV_8UC3);
	result2 = Scalar::all(0);
	//显示标签为0的部分
	for (int i = 0; i < height; i++) 
	{
		for (int j = 0; j < width; j++)
		{
			/*index = i * width + j;
			int label = labels.at<int>(index, 0);
			result.at<Vec3b>(i, j)[0] = color[label][0];
			result.at<Vec3b>(i, j)[1] = color[label][1];
			result.at<Vec3b>(i, j)[2] = color[label][2];*/
			index = i * width + j;
			if (labels.at<int>(index, 0) == 0)
			{
				result1.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];
				result1.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];
				result1.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];
			}
		}
	}
	//显示标签为1的部分
	for (int i = 0; i < height; i++) 
	{
		for (int j = 0; j < width; j++) 
		{

			index = i * width + j;
			if (labels.at<int>(index, 0) == 1)
			{
				result2.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];
				result2.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];
				result2.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];
			}
		}
	}
	//显示
	namedWindow("output1", WINDOW_NORMAL);
	imshow("output1", result1);
	namedWindow("output2", WINDOW_NORMAL);
	imshow("output2", result2);

	waitKey(0);
	return 0;
}

源图像:

结果图:

这里只是展示代码效果,实际上可以根据需要,将其他颜色参数(如H、S、I、L、a、b等)、颜色参数的组合(NRI、NGI、NBI等)作为分类的数据点传入训练器,这样可能会对复杂的分割有帮助。 

展开阅读全文

没有更多推荐了,返回首页