< openCV > 最大稳定极值区域（MSER-Maximally Stable Extremal Regions）

from: http://blog.csdn.net/zhaocj/article/details/40742191

最大稳定极值区域（MSER-Maximally Stable Extremal Regions）可以用于图像的斑点区域检测。该算法最早是由Matas等人于2002年提出，它是基于分水岭的概念。

MSER的基本原理是对一幅灰度图像（灰度值为0～255）取阈值进行二值化处理，阈值从0到255依次递增。阈值的递增类似于分水岭算法中的水面的上升，随着水面的上升，有一些较矮的丘陵会被淹没，如果从天空往下看，则大地分为陆地和水域两个部分，这类似于二值图像。在得到的所有二值图像中，图像中的某些连通区域变化很小，甚至没有变化，则该区域就被称为最大稳定极值区域。这类似于当水面持续上升的时候，有些被水淹没的地方的面积没有变化。它的数学定义为：

q(i)=|Q_i+△-Q_i-△|/|Q_i|            （1）

其中，Q_i表示阈值为i时的某一连通区域，△为灰度阈值的微小变化量，q(i)为阈值是i时的区域Q_i的变化率。当q(i)为局部极小值时，则Q_i为最大稳定极值区域。

需要说明的是，上述做法只能检测出灰度图像的黑色区域，不能检测出白色区域，因此还需要对原图进行反转，然后再进行阈值从0～255的二值化处理过程。这两种操作又分别称为MSER+和MSER-。

MSER具有以下特点：

1、对图像灰度具有仿射变换的不变性；

2、稳定性：具有相同阈值范围内所支持的区域才会被选择；

3、无需任何平滑处理就可以实现多尺度检测，即小的和大的结构都可以被检测到。

MSER的原理比较简单，但要更快更好的实现它，是需要一定的算法、数据结构和编程技巧的。David Nister等人于2008年提出了Linear Time Maximally Stable Extremal Regions算法，该算法要比原著提出的算法快，OpenCV就是利用该算法实现MSER的。但这里要说明一点的是，opencv不是利用公式1计算MSER的，而是利用更易于实现的改进方法：

q(i)=|Q_i-Q_i-△|/|Q_i-△|            （2）

David Nister提出的算法是基于改进的分水岭算法，即当往一个固定的地方注水的时候，只有当该地方的沟壑被水填满以后，水才会向其四周溢出，随着注水量的不断增加，各个沟壑也会逐渐被水淹没，但各个沟壑的水面不是同时上升的，它是根据水漫过地方的先后顺序，一个沟壑一个沟壑地填满水，只有当相邻两个沟壑被水连通在一起以后，水面对于这两个沟壑来说才是同时上升的。该算法的具体步骤如下：

1、初始化栈和堆，栈用于存储组块（组块就是区域，就相当于水面，水漫过的地方就会出现水面，水面的高度就是图像的灰度值，因此用灰度值来表示组块的值），堆用于存储组块的边界像素，相当于水域的岸边，岸边要高于水面的，因此边界像素的灰度值一定不小于它所包围的区域（即组块）的灰度值。首先向栈内放入一个虚假的组块，当该组块被弹出时意味着程序的结束；

2、把图像中的任意一个像素（一般选取图像的左上角像素）作为源像素，标注该像素为已访问过，并且把该像素的灰度值作为当前值。这一步相当于往源像素这一地点注水；

3、向栈内放入一个空组块，该组块的值是当前值；

4、按照顺序搜索当前值的4-领域内剩余的边缘，对于每一个邻域，检查它是否已经被访问过，如果没有，则标注它为已访问过并检索它的灰度值，如果灰度值不小于当前值，则把它放入用于存放边界像素的堆中。另一方面，如果领域灰度值小于当前值，则把当前值放入堆中，而把领域值作为当前值，并回到步骤3；

5、累计栈顶组块的像素个数，即计算区域面积，这是通过循环累计得到的，这一步相当于水面的饱和；

6、弹出堆中的边界像素。如果堆是空的，则程序结束；如果弹出的边界像素的灰度值等于当前值，则回到步骤4；

7、从堆中得到的像素值会大于当前值，因此我们需要处理栈中所有的组块，直到栈中的组块的灰度值大于当前边界像素灰度值为止。然后回到步骤4。

至于如何处理组块，则需要进入处理栈子模块中，传入该子模块的值为步骤7中从堆中提取得到的边界像素灰度值。子模块的具体步骤为：

1）、处理栈顶的组块，即根据公式2计算最大稳定区域，判断其是否为极值区域；

2）、如果边界像素灰度值小于距栈顶第二个组块的灰度值，那么设栈顶组块的灰度值为边界像素灰度值，并退出该子模块。之所以会出现这种情况，是因为在栈顶组块和第二个组块之间还有组块没有被检测处理，因此我们需要改变栈顶组块的灰度值为边界像素灰度值（相当于这两层的组块进行了合并），并回到主程序，再次搜索组块；

3）、弹出栈顶组块，并与目前栈顶组块合并；

4）、如果边界像素灰度值大于栈顶组块的灰度值，则回到步骤1。

在opencv2.4.9中，MSER算法是用类的方法给出的：

[cpp] view plain copy

1. class MserFeatureDetector : public FeatureDetector  
2. {  
3. public:  
4. MserFeatureDetector( CvMSERParams params=cvMSERParams() );  
5. MserFeatureDetector( int delta, int minArea, int maxArea,  
6. double maxVariation, double minDiversity,  
7. int maxEvolution, double areaThreshold,  
8. double minMargin, int edgeBlurSize );  
9. virtual void read( const FileNode& fn );  
10. virtual void write( FileStorage& fs ) const;  
11. protected:  
12. ...  
13. };  

而具体的MSER类为：

[cpp] view plain copy

1. class MSER : public CvMSERParams  
2. {  
3. public:  
4. // default constructor  
5. //缺省的构造函数  
6. MSER();  
7. // constructor that initializes all the algorithm parameters  
8. //带有所有算法参数的构造函数  
9. MSER( int _delta, int _min_area, int _max_area,  
10. float _max_variation, float _min_diversity,  
11. int _max_evolution, double _area_threshold,  
12. double _min_margin, int _edge_blur_size );  
13. // runs the extractor on the specified image; returns the MSERs,  
14. // each encoded as a contour (vector<Point>, see findContours)  
15. // the optional mask marks the area where MSERs are searched for  
16. void operator()( const Mat& image, vector<vector<Point> >& msers, const Mat& mask ) const;  
17. };  

[cpp] view plain copy

1. MSER算法所需要的参数较多：  
2. delta为灰度值的变化量，即公式1和2中的△；  
3. _min_area和_max_area为检测到的组块面积的范围；  
4. _max_variation为最大的变化率，即如果公式1和2中的q(i)小于该值，则被认为是最大稳定极值区域；  
5. _min_diversity为稳定区域的最小变换量。  
6. 其他的参数用于对彩色图像的MSER检测，这里不做介绍。  
7. MSER类通过重载( )运算符，得到了最大稳定极值区域的点集msers，其中image为输入图像，mask为掩码矩阵。  
8. 下面我们就对MSER类的源码进行分析：  

[cpp] view plain copy

1. void MSER::operator()( const Mat& image, vector<vector<Point> >& dstcontours, const Mat& mask ) const  
2. {  
3.     CvMat _image = image, _mask, *pmask = 0;  
4.     if( mask.data )  
5.         pmask = &(_mask = mask);  
6.     MemStorage storage(cvCreateMemStorage(0));  
7.     Seq<CvSeq*> contours;  
8.     //调用extractMSER函数，得到MSER的区域点集序列contours.seq  
9.     //MSERParams为MSER所需要的参数  
10.     extractMSER( &_image, pmask, &contours.seq, storage,  
11.                  MSERParams(delta, minArea, maxArea, maxVariation, minDiversity,  
12.                             maxEvolution, areaThreshold, minMargin, edgeBlurSize));  
13.     SeqIterator<CvSeq*> it = contours.begin();  
14.     size_t i, ncontours = contours.size();  
15.     dstcontours.resize(ncontours);  
16.     //复制点集序列  
17.     for( i = 0; i < ncontours; i++, ++it )  
18.         Seq<Point>(*it).copyTo(dstcontours[i]);  
19. }  

extractMSER函数首先定义了一些变量，并进行参数的判断。然后根据输入图像的类型分别调用不同的函数：

[cpp] view plain copy

1. static void  
2. extractMSER( CvArr* _img,  
3.            CvArr* _mask,  
4.            CvSeq** _contours,  
5.            CvMemStorage* storage,  
6.            MSERParams params )  
7. {  
8.     CvMat srchdr, *src = cvGetMat( _img, &srchdr );  
9.     CvMat maskhdr, *mask = _mask ? cvGetMat( _mask, &maskhdr ) : 0;  
10.     CvSeq* contours = 0;  
11.   
12.     CV_Assert(src != 0);  
13.     CV_Assert(CV_MAT_TYPE(src->type) == CV_8UC1 || CV_MAT_TYPE(src->type) == CV_8UC3);  
14.     CV_Assert(mask == 0 || (CV_ARE_SIZES_EQ(src, mask) && CV_MAT_TYPE(mask->type) == CV_8UC1));  
15.     CV_Assert(storage != 0);  
16.   
17.     contours = *_contours = cvCreateSeq( 0, sizeof(CvSeq), sizeof(CvSeq*), storage );  
18.   
19.     // choose different method for different image type  
20.     // for grey image, it is: Linear Time Maximally Stable Extremal Regions  
21.     // for color image, it is: Maximally Stable Colour Regions for Recognition and Matching  
22.     switch ( CV_MAT_TYPE(src->type) )  
23.     {  
24.         case CV_8UC1:    //处理灰度图像  
25.             extractMSER_8UC1( src, mask, contours, storage, params );  
26.             break;  
27.         case CV_8UC3:    //处理彩色图像  
28.             extractMSER_8UC3( src, mask, contours, storage, params );  
29.             break;  
30.     }  
31. }  

灰度图像的MSER处理方法就是应用本文介绍的方法：

[cpp] view plain copy

1. static void extractMSER_8UC1( CvMat* src,  
2.              CvMat* mask,  
3.              CvSeq* contours,  
4.              CvMemStorage* storage,  
5.              MSERParams params )  
6. {  
7.     //为了加快运算速度，把原图的宽扩展成高度复合数，即2^N的形式  
8.     //step为扩展后的宽，初始值为8  
9.     int step = 8;  
10.     //stepgap为N，初始值为3，即8=2^3  
11.     int stepgap = 3;  
12.     //通过step向左移位的方式扩展原图的宽  
13.     while ( step < src->step+2 )  
14.     {  
15.         step <<= 1;  
16.         stepgap++;  
17.     }  
18.     int stepmask = step-1;  
19.   
20.     // to speedup the process, make the width to be 2^N  
21.     //创建扩展后的图像矩阵，宽为2^N，高为原图高+2  
22.     CvMat* img = cvCreateMat( src->rows+2, step, CV_32SC1 );  
23.     //定义第二行地址  
24.     int* ioptr = img->data.i+step+1;  
25.     int* imgptr;  
26.   
27.     // pre-allocate boundary heap  
28.     //步骤1，初始化堆和栈  
29.     //定义堆，用于存储组块的边界像素  
30.     int** heap = (int**)cvAlloc( (src->rows*src->cols+256)*sizeof(heap[0]) );  
31.     int** heap_start[256];  
32.     //heap_start为三指针变量，heap_start为边界像素的灰度值，因此它数量为256个；*heap_start表示边界像素中该灰度值的数量；**heap_start表示边界像素中该灰度值中第*heap_start个所对应的像素地址指针。  
33.     heap_start[0] = heap;  
34.   
35.     // pre-allocate linked point and grow history  
36.     //pts表示组块内像素链表，即像素间相互链接  
37.     LinkedPoint* pts = (LinkedPoint*)cvAlloc( src->rows*src->cols*sizeof(pts[0]) );  
38.     //history表示每个组块生长的状况，即随着阈值的增加，组块的大小是在不断扩大的  
39.     MSERGrowHistory* history = (MSERGrowHistory*)cvAlloc( src->rows*src->cols*sizeof(history[0]) );  
40.     //comp表示图像内连通的组块（即区域），原则上每一个灰度值就会有一个组块，但之所以组块的个数是257个，是因为有一个组块是虚假组块，用于表示程序的结束。用栈的形式来管理各个组块  
41.     MSERConnectedComp comp[257];  
42.   
43.     // darker to brighter (MSER-)  
44.     //MSER-  
45.     //先对原图进行预处理  
46.     imgptr = preprocessMSER_8UC1( img, heap_start, src, mask );  
47.     //执行MSER操作  
48.     extractMSER_8UC1_Pass( ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, -1, contours, storage );  
49.     // brighter to darker (MSER+)  
50.     //MSER+  
51.     imgptr = preprocessMSER_8UC1( img, heap_start, src, mask );  
52.     extractMSER_8UC1_Pass( ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, 1, contours, storage );  
53.   
54.     // clean up  
55.     //清理内存  
56.     cvFree( &history );  
57.     cvFree( &heap );  
58.     cvFree( &pts );  
59.     cvReleaseMat( &img );  
60. }  

preprocessMSER_8UC1函数为预处理的过程，主要就是对宽度扩展以后的图像矩阵进行赋值，每一位都赋予不同的含义：

// to preprocess src image to followingformat

// 32-bit image

// > 0 is available, < 0 is visited

// 17~19 bits is the direction

// 8~11 bits is the bucket it falls to (forBitScanForward)

// 0~8 bits is the color

/*定义图像矩阵的数据格式为有符号32位整型，最高一位表示是否被访问过，0表示没有被访问过，1表示被访问过（因为是有符号数，所以最高一位是1也就是负数）；16～18位（这里源码注解有误）表示4邻域的方向；0～7位表示该像素的灰度值*/

//img代表图像矩阵，MSER处理的是该矩阵

//src为输入原图

//heap_cur为边界像素堆

//mask为掩码

[cpp] view plain copy

1. static int* preprocessMSER_8UC1( CvMat* img,  
2.             int*** heap_cur,  
3.             CvMat* src,  
4.             CvMat* mask )  
5. {  
6.     int srccpt = src->step-src->cols;  
7.     //由于图像矩阵的宽经过了2^N处理，所以它的宽比原图的宽要长，cpt_1代表两个宽度的差值  
8.     int cpt_1 = img->cols-src->cols-1;  
9.     //图像矩阵的地址指针  
10.     int* imgptr = img->data.i;  
11.     //定义真实的图像起始地址  
12.     int* startptr;  
13.   
14.     //定义并初始化灰度值数组  
15.     int level_size[256];  
16.     for ( int i = 0; i < 256; i++ )  
17.         level_size[i] = 0;  
18.     //为图像矩阵的第一行赋值  
19.     for ( int i = 0; i < src->cols+2; i++ )  
20.     {  
21.         *imgptr = -1;  
22.         imgptr++;  
23.     }  
24.     //地址指针指向图像矩阵的第二行  
25.     imgptr += cpt_1-1;  
26.     //原图首地址指针  
27.     uchar* srcptr = src->data.ptr;  
28.     if ( mask )    //如果定义了掩码矩阵  
29.     {  
30.         startptr = 0;  
31.         //掩码矩阵首地址指针  
32.         uchar* maskptr = mask->data.ptr;  
33.         //遍历整个原图  
34.         for ( int i = 0; i < src->rows; i++ )  
35.         {  
36.             *imgptr = -1;  
37.             imgptr++;  
38.             for ( int j = 0; j < src->cols; j++ )  
39.             {  
40.                 if ( *maskptr )  
41.                 {  
42.                     if ( !startptr )  
43.                         startptr = imgptr;    //赋值  
44.                     *srcptr = 0xff-*srcptr;    //反转图像的灰度值  
45.                     level_size[*srcptr]++;    //为灰度值计数  
46.                     //为图像矩阵赋值，它的低8位是原图灰度值，8～10位是灰度值的高3位  
47.                     *imgptr = ((*srcptr>>5)<<8)|(*srcptr);  
48.                 } else {    //掩码覆盖的像素值为-1  
49.                     *imgptr = -1;  
50.                 }  
51.                 //地址加1  
52.                 imgptr++;  
53.                 srcptr++;  
54.                 maskptr++;  
55.             }  
56.             //跳过图像矩阵比原图多出的部分  
57.             *imgptr = -1;  
58.             imgptr += cpt_1;  
59.             srcptr += srccpt;  
60.             maskptr += srccpt;  
61.         }  
62.     } else {    //没有定义掩码  
63.         startptr = imgptr+img->cols+1;    //赋值  
64.         //遍历整幅图像，为图像矩阵赋值  
65.         for ( int i = 0; i < src->rows; i++ )  
66.         {  
67.             *imgptr = -1;  
68.             imgptr++;  
69.             for ( int j = 0; j < src->cols; j++ )  
70.             {  
71.                 *srcptr = 0xff-*srcptr;  
72.                 level_size[*srcptr]++;  
73.                 *imgptr = ((*srcptr>>5)<<8)|(*srcptr);  
74.                 imgptr++;  
75.                 srcptr++;  
76.             }  
77.             *imgptr = -1;  
78.             imgptr += cpt_1;  
79.             srcptr += srccpt;  
80.         }  
81.     }  
82.     //为图像矩阵的最后一行赋值  
83.     for ( int i = 0; i < src->cols+2; i++ )  
84.     {  
85.         *imgptr = -1;  
86.         imgptr++;  
87.     }  
88.     //定义边界像素堆的大小  
89.     //heap_cur[]对应灰度值，heap_cur[][]对应该灰度值的个数  
90.     //根据灰度值的个数定义heap_cur的长度  
91.     heap_cur[0][0] = 0;  
92.     for ( int i = 1; i < 256; i++ )  
93.     {  
94.         heap_cur[i] = heap_cur[i-1]+level_size[i-1]+1;  
95.         heap_cur[i][0] = 0;  
96.     }  
97.     //返回在图像矩阵中第一个真正的像素点的地址  
98.     return startptr;  
99. }  

extractMSER_8UC1_Pass函数执行MSER算法，MSER-和MSER+都执行该函数，但可以通过参数color来区分。

[cpp] view plain copy

1. static void extractMSER_8UC1_Pass( int* ioptr,  
2.               int* imgptr,  
3.               int*** heap_cur,  
4.               LinkedPoint* ptsptr,  
5.               MSERGrowHistory* histptr,  
6.               MSERConnectedComp* comptr,  
7.               int step,  
8.               int stepmask,  
9.               int stepgap,  
10.               MSERParams params,  
11.               int color,  
12.               CvSeq* contours,  
13.               CvMemStorage* storage )  
14. {  
15.     //设置第一个组块的灰度值为256，该灰度值是真实图像中不存在的灰度值，以区分真实图像的组块，从而判断程序是否结束  
16.     comptr->grey_level = 256;  
17.     //步骤2和步骤3  
18.     //指向第二个组块  
19.     comptr++;  
20.     //设置第二个组块为输入图像第一个像素（左上角）的灰度值  
21.     comptr->grey_level = (*imgptr)&0xff;  
22.     //初始化该组块  
23.     initMSERComp( comptr );  
24.     //在最高位标注该像素为已被访问过，即该值小于0  
25.     *imgptr |= 0x80000000;  
26.     //得到该像素所对应的堆，即指向它所对应的灰度值  
27.     heap_cur += (*imgptr)&0xff;  
28.     //定义方向，即偏移量，因为是4邻域，所以该数组分别对应右、下、左、上  
29.     int dir[] = { 1, step, -1, -step };  
30. #ifdef __INTRIN_ENABLED__  
31.     unsigned long heapbit[] = { 0, 0, 0, 0, 0, 0, 0, 0 };  
32.     unsigned long* bit_cur = heapbit+(((*imgptr)&0x700)>>8);  
33. #endif  
34.     //死循环，退出该死循环的条件有两个：一是到达组块的栈底；二是边界像素堆中没有任何值。达到栈底也就意味着堆中没有值，在此函数中两者是一致的。  
35.     for ( ; ; )  
36.     {  
37.         // take tour of all the 4 directions  
38.         //步骤4  
39.         //在4邻域内进行搜索  
40.         while ( ((*imgptr)&0x70000) < 0x40000 )  
41.         {  
42.             // get the neighbor  
43.             /* ((*imgptr)&0x70000)>>16得到第16位至第18位数据，该数据对应的4邻域的方向，再通过dir数组得到4邻域的偏移量，因此imgptr_nbr为当前像素4邻域中某一个方向上邻域的地址指针 */  
44.             int* imgptr_nbr = imgptr+dir[((*imgptr)&0x70000)>>16];  
45.             //检查邻域像素是否被访问过，如果被访问过，则会在第一位置1，因此该值会小于0，否则第一位为0，该值大于0  
46.             if ( *imgptr_nbr >= 0 ) // if the neighbor is not visited yet  
47.             {  
48.                 //标注该像素已被访问过，即把第一位置1  
49.                 *imgptr_nbr |= 0x80000000; // mark it as visited  
50.                 //比较当前像素与邻域像素灰度值  
51.                 if ( ((*imgptr_nbr)&0xff) < ((*imgptr)&0xff) )  
52.                 {  
53.                     //如果邻域值小于当前值，把当前值放入堆中  
54.                     // when the value of neighbor smaller than current  
55.                     // push current to boundary heap and make the neighbor to be the current one  
56.                     // create an empty comp  
57.                     //堆中该像素灰度值的数量加1，即对该灰度值像素个数计数  
58.                     (*heap_cur)++;  
59.                     //把当前值的地址放入堆中  
60.                     **heap_cur = imgptr;  
61.                     //重新标注当前值的方向位，以备下一次访问该值时搜索下一个邻域  
62.                     *imgptr += 0x10000;  
63.                     //定位邻域值所对应的堆的位置  
64.                     //当前heap_cur所指向的灰度值为while循环搜索中的最小灰度值，即水溢过的最低点  
65.                     heap_cur += ((*imgptr_nbr)&0xff)-((*imgptr)&0xff);  
66. #ifdef __INTRIN_ENABLED__  
67.                     _bitset( bit_cur, (*imgptr)&0x1f );  
68.                     bit_cur += (((*imgptr_nbr)&0x700)-((*imgptr)&0x700))>>8;  
69. #endif  
70.                     imgptr = imgptr_nbr;    //邻域值换为当前值  
71.                     //步骤3  
72.                     comptr++;    //创建一个组块  
73.                     initMSERComp( comptr );    //初始化该组块  
74.                     comptr->grey_level = (*imgptr)&0xff;    //为该组块的灰度值赋值  
75.                     //当某个邻域值小于当前值，则不对当前值再做任何操作，继续下次循环，在下次循环中，处理的则是该邻域值，即再次执行步骤4  
76.                     continue;  
77.                 } else {  
78.                     //如果邻域值大于当前值，把邻域值放入堆中  
79.                     // otherwise, push the neighbor to boundary heap  
80.                     //找到该邻域值在堆中的灰度值位置，并对其计数，即对该灰度值像素个数计数   
81.                     heap_cur[((*imgptr_nbr)&0xff)-((*imgptr)&0xff)]++;  
82.                     //把该邻域像素地址放入堆中  
83.                     *heap_cur[((*imgptr_nbr)&0xff)-((*imgptr)&0xff)] = imgptr_nbr;  
84. #ifdef __INTRIN_ENABLED__  
85.                     _bitset( bit_cur+((((*imgptr_nbr)&0x700)-((*imgptr)&0x700))>>8), (*imgptr_nbr)&0x1f );  
86. #endif  
87.                 }  
88.             }  
89.             *imgptr += 0x10000;    //重新标注当前值的领域方向  
90.         }  
91.         //imsk表示结束while循环后所得到的最后像素地址与图像首地址的相对距离  
92.         int imsk = (int)(imgptr-ioptr);  
93.         //得到结束while循环后的最后像素的坐标位置  
94.         //从这里可以看出图像的宽采样2^N的好处，即imsk>>stepgap  
95.         ptsptr->pt = cvPoint( imsk&stepmask, imsk>>stepgap );  
96.         // get the current location  
97.         //步骤5  
98.         //对栈顶的组块的像素个数累加，即计算组块的面积大小，并链接组块内的像素点  
99.         //结束while循环后，栈顶组块的灰度值就是该次循环后得到的最小灰度值，也就是该组块为极低点，就相当于水已经流到了最低的位置  
100.         accumulateMSERComp( comptr, ptsptr );  
101.         //指向下一个像素点链表位置  
102.         ptsptr++;  
103.         // get the next pixel from boundary heap  
104.         //步骤6  
105.         /*结束while循环后，如果**heap_cur有值的话，heap_cur指向的应该是while循环中得到的灰度值最小值，也就是在组块的边界像素中，有与组块相同的灰度值，因此要把该值作为当前值继续while循环，也就是相当于组块面积的扩展*/  
106.         if ( **heap_cur )    //有值  
107.         {  
108.             imgptr = **heap_cur;    //把该像素点作为当前值  
109.             (*heap_cur)--;    //像素的个数要相应的减1  
110. #ifdef __INTRIN_ENABLED__  
111.             if ( !**heap_cur )  
112.                 _bitreset( bit_cur, (*imgptr)&0x1f );  
113. #endif  
114.         //步骤7  
115.         //已经找到了最小灰度值的组块，并且边界像素堆中的灰度值都比组块的灰度值大，则这时需要组块，即计算最大稳定极值区域  
116.         } else {  
117. #ifdef __INTRIN_ENABLED__  
118.             bool found_pixel = 0;  
119.             unsigned long pixel_val;  
120.             for ( int i = ((*imgptr)&0x700)>>8; i < 8; i++ )  
121.             {  
122.                 if ( _BitScanForward( &pixel_val, *bit_cur ) )  
123.                 {  
124.                     found_pixel = 1;  
125.                     pixel_val += i<<5;  
126.                     heap_cur += pixel_val-((*imgptr)&0xff);  
127.                     break;  
128.                 }  
129.                 bit_cur++;  
130.             }  
131.             if ( found_pixel )  
132. #else  
133.             heap_cur++;    //指向高一级的灰度值  
134.             unsigned long pixel_val = 0;  
135.             //在边界像素堆中，找到边界像素中的最小灰度值  
136.             for ( unsigned long i = ((*imgptr)&0xff)+1; i < 256; i++ )  
137.             {  
138.                 if ( **heap_cur )  
139.                 {  
140.                     pixel_val = i;    //灰度值  
141.                     break;  
142.                 }  
143.                 //定位在堆中所对应的灰度值，与pixel_val是相等的  
144.                 heap_cur++;   
145.             }  
146.             if ( pixel_val )    //如果找到了像素值  
147. #endif  
148.             {  
149.                 imgptr = **heap_cur;    //从堆中提取出该像素  
150.                 (*heap_cur)--;    //对应的像素个数减1  
151. #ifdef __INTRIN_ENABLED__  
152.                 if ( !**heap_cur )  
153.                     _bitreset( bit_cur, pixel_val&0x1f );  
154. #endif  
155.                 //进入处理栈子模块  
156.                 if ( pixel_val < comptr[-1].grey_level )  
157.                 //如果从堆中提取出的最小灰度值小于距栈顶第二个组块的灰度值，则说明栈顶组块和第二个组块之间仍然有没有处理过的组块，因此在计算完MSER值后还要继续返回步骤4搜索该组块  
158.                 {  
159.                     // check the stablity and push a new history, increase the grey level  
160.                     //利用公式2计算栈顶组块的q(i)值  
161.                     if ( MSERStableCheck( comptr, params ) )    //是MSER  
162.                     {  
163.                         //得到组块内的像素点  
164.                         CvContour* contour = MSERToContour( comptr, storage );  
165.                         contour->color = color;    //标注是MSER-还是MSER+  
166.                         //把组块像素点放入序列中  
167.                         cvSeqPush( contours, &contour );   
168.                     }  
169.                     MSERNewHistory( comptr, histptr );  
170.                     //改变栈顶组块的灰度值，这样就可以和上一层的组块进行合并  
171.                     comptr[0].grey_level = pixel_val;  
172.                     histptr++;  
173.                 } else {  
174.                     //从堆中提取出的最小灰度值大于等于距栈顶第二个组块的灰度值  
175.                     // keep merging top two comp in stack until the grey level >= pixel_val  
176.                     //死循环，用于处理灰度值相同并且相连的组块之间的合并  
177.                     for ( ; ; )  
178.                     {  
179.                         //指向距栈顶第二个组块  
180.                         comptr--;  
181.                         //合并前两个组块，并把合并后的组块作为栈顶组块  
182.                         MSERMergeComp( comptr+1, comptr, comptr, histptr );  
183.                         histptr++;  
184.                         /*如果pixel_val = comptr[0].grey_level，说明在边界上还有属于该组块的像素；如果pixel_val &lt; comptr[0].grey_level，说明还有比栈顶组块灰度值更小的组块没有搜索到。这两种情况都需要回到步骤4中继续搜索组块*/  
185.                         if ( pixel_val <= comptr[0].grey_level )  
186.                             break;  
187.                         //合并栈内前两个组块，直到pixel_val < comptr[-1].grey_level为止  
188.                         if ( pixel_val < comptr[-1].grey_level )  
189.                         {  
190.                             // check the stablity here otherwise it wouldn't be an ER  
191.                             if ( MSERStableCheck( comptr, params ) )  
192.                             {  
193.                                 CvContour* contour = MSERToContour( comptr, storage );  
194.                                 contour->color = color;  
195.                                 cvSeqPush( contours, &contour );  
196.                             }  
197.                             MSERNewHistory( comptr, histptr );  
198.                             comptr[0].grey_level = pixel_val;  
199.                             histptr++;  
200.                             break;  
201.                         }  
202.                     }  
203.                 }  
204.             } else  
205.                 //边界像素堆中没有任何像素，则退出死循环，该函数返回。  
206.                 break;  
207.         }  
208.     }  
209. }  

MSER就分析到这里，至于其中用到的一些子函数就不再分析。这里还要说明一点的是，MSER+和MSER-使用的都是同一个函数，两者的区别是一个组块面积增加，另一个减少。说实话，该部分的内容数据结构较为复杂，有一些内容我理解得也不透彻，比如结构MSERGrowHistory真正的含义还比较模糊。

下面就给出最大稳定极值区域检测的应用实例：

[cpp] view plain copy

1. #include "opencv2/core/core.hpp"  
2. #include "opencv2/highgui/highgui.hpp"  
3. #include "opencv2/imgproc/imgproc.hpp"  
4. #include <opencv2/features2d/features2d.hpp>  
5. #include <iostream>  
6. using namespace cv;  
7. using namespace std;  
8.   
9. int main(int argc, char *argv[])  
10. {  
11.     Mat src,gray;  
12.     src = imread("lenna.bmp");  
13.     cvtColor( src, gray, CV_BGR2GRAY );  
14.     //创建MSER类  
15.     MSER ms;  
16.     //用于组块区域的像素点集  
17.     vector<vector<Point>> regions;  
18.     ms(gray, regions, Mat());  
19.     //在灰度图像中用椭圆形绘制组块  
20.     for (int i = 0; i < regions.size(); i++)  
21.     {  
22.         ellipse(gray, fitEllipse(regions[i]), Scalar(255));  
23.     }  
24.     imshow("mser", gray);  
25.     waitKey(0);  
26.     return 0;  
27. }  

结果如下图所示。本文介绍的方法只适用于灰度图像，所以如果输入的是彩色图像，要把它转换为灰度图像。另外在创建MSER类的时候，我们使用的是缺省构造函数，因此MSER算法所需的参数是系统默认的。所以我们检测的结果与David Nister等人在原著中的检测结果略有不同。