机器学习中，从一张图片中提取出感兴趣的区域(以交通标志为例)

在进行机器学习中，不管是用Haar特征，或者是Hog特征，最后进行的不论是adaboost分类，还是svm分类，都只能是检测出待检测的正样本相近的图片。

比如，为了提高准确性，我们在进行正样本的训练时，必须把正样本置于整个正样本的大部分中，以交通标志中的禁止驶入为例，如下图的就是正确的正样本之一：

我们可以看到，禁止驶入交通标志占了图片面积的大部分。这在训练时，可以尽可能的减少误差。如下图就是个错误的例子：

在这幅图片中，我们只能在右面的一小块区域发现禁止驶入的交通标志。这个是错误的正样本。因为有太多的干扰项。

那么，我们进行实际检测时，不可能只是对如图1的图片进行检测，实际情况中，往往是如图2所示，那么，我们直接用检测方法，毫无疑问的，得到的一定是错误结果。

于是，就得到了，如何从一张图片中提取到我们感兴趣的区域。如图2中，在进行实际检测时，必然是先从这张图片中检测出右上角的禁止驶入的交通标志的区域，然后，在对其进行匹配处理，看是哪个标志，或者是不是交通标志。

这里，我们先以交通标志为例，这篇文章的主要算法思想，也是针对例如交通标志这种的，颜色划分比较明显的进行叙述。

好了，正如上段所说的，我们主要的算法思想是，针对诸如交通这类，因为我们都知道，交通标志主要分为四种颜色，即RGBY，在检测时，我们可以想得到，如果把待检测图片，分成RGBY四种颜色，那么，就能得到交通标志的区域外轮廓。再用边缘检测，可以选择用canny边缘检测，并且求出每个不连通的边缘的最小外界矩形，返回这个矩形的所在位置，就能得到我们感兴趣的区域。

当然，为了方便起见，我们可以直接用opencv中的cvFindCounter()函数，这个函数的第三个矩形，可以返回一个矩形轮廓。我们分别对返回的矩形轮廓进行检测(很明显不会只返回一个轮廓，当然，下面我们会介绍几种尽可能排除掉不希望有的矩形的返回值)，最后得到想要的结果。

下面是算法的具体介绍。

首先是说明，我们用的是Hog特征检测和Svm二分类。用的编译环境是vs2010，opencv2.4.9。

然后是，对待检测图片进行分色。我们知道的，原图片一般都是RGB三色通道(CMYK是打印颜色，我们这里先不做考虑)，转到RGBY，opencv上没有转的函数，我们可以选用两种方法。一种是直接转，即用RGB直接分离通道，然后得到RGB的通道，Y通道，利用黄颜色是蓝色的补色，利用补色直接转。利用Y=255-B，可以得到最后的黄色的图片的结果。
注：这里的是粗转换，如果想进行准确的RGB转Y或者转CMYK的，要注意的是最好用PS转，因为我们没有进行配置文件的添加和处理，最后会由于CMYK颜色空间比RGB颜色空间小，而得不到正确的图片，具体请参考文章最后的链接，我们可以看出，不能得到和原图一样的效果，是因为颜色被压缩了。

int rgb2cmyk( Mat &image,Mat &cmyk){  
    if(!image.data){  
        cout<<"Miss Data"<<endl;  
        return -1;  
    }  
    int nl = image.rows;    //行数  
    int nc = image.cols;    //列数  
    if(image.isContinuous()){   //没有额外的填补像素  
        nc = nc*nl;  
        nl = 1;                 //It is now a 1D array  
    }  
    //对于连续图像，本循环只执行1次  
    for(int i=0;i<nl;i++){  
        uchar *data = image.ptr<uchar>(i);  
        uchar *dataCMYK = cmyk.ptr<uchar>(i);  
        for(int j = 0;j < nc;j++){  
            uchar b = data[3*j];  
            uchar g = data[3*j+1];  
            uchar r = data[3*j+2];  
            uchar c = 255 - r;  
            uchar m = 255 - g;  
            uchar y = 255 - b;  
            uchar k = min(min(c,m),y);  
            dataCMYK[