OpenCV4.0进阶（7）均值迁移模糊（mean-shift blur）

知识点：

边缘保留滤波算法 – 均值迁移模糊(mean-shift blur)：

均值迁移模糊是图像边缘保留滤波算法中一种，经常用来在对图像进行分水岭分割之前去噪声，可以大幅度提升分水岭分割的效果。其基本原理如下：

在n维空间中，有一定数量的样本，我们选定其中的一个样本，以该样本为中心，给定长度为半径画一个圆，求取该圆形区域内样本的质心，即密度最大的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。

 

相关API：

void pyrMeanShiftFiltering( InputArray src, OutputArray dst,
                            double sp, double sr, int maxLevel = 1,
                            TermCriteria termcrit=TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS,5,1) );

- src：The source 8-bit, 3-channel image.

- dst：The destination image of the same format and the same size as the source.

- sp：The spatial window radius. 空间窗口半径

- sr：The color window radius. 颜色窗口半径

- maxLevel：Maximum level of the pyramid for the segmentation. 定义金字塔的最大层数。按默认即可

- termcrit：均值迁移终止条件。为了提高效率，我们通常会给定一个人为的终止条件。默认值的5表示最大迭代次数为5次，1表示两次迁移的dx和dy的差值小于等于1，迁移终止。两个终止条件可结合使用，也可分开使用。通常默认即可。

 

其执行过程如下：

以输入图像上src上任一点P0为圆心，建立物理空间上半径为sp，色彩空间上半径为sr的球形空间，物理空间上坐标为x、y，色彩空间上坐标为R、G、B（或HSV），构成一个5维的向量空间。

其中物理空间的范围x和y是图像的长和宽，色彩空间的范围R、G、B分别是0~255。

类比于3 x 3卷积窗口的默认值为[-1, 0, 1]，我们可以对图像的空间窗口和颜色值窗口计算均值，得到dx和dy，以及新的RGB颜色值。

在这个过程中，关键参数是sp和sr的设置，二者设置的值越大，对图像色彩的平滑效果越明显，同时函数耗时也越多。

 

代码演示：

#ifndef DAY27
#define DAY27

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

void gaussian_noise(Mat &image);

void day27() {

	Mat src = Mat::zeros(Size(400, 400), CV_8UC3);
	src(Rect(0, 0, 200, 200)).setTo(Scalar(64, 64, 64));
	src(Rect(200, 0, 200, 200)).setTo(Scalar(128, 128, 128));
	src(Rect(0, 200, 200, 200)).setTo(Scalar(192, 192, 192));
	src(Rect(200, 200, 200, 200)).setTo(Scalar(255, 255, 255));

	namedWindow("src", WINDOW_AUTOSIZE);
	imshow("src", src);

	Mat dst;
	pyrMeanShiftFiltering(src, dst, 15, 50, 1, TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 5, 1));
	imshow("几何图-均值迁移模糊", dst);

	src = imread("G:/opencvTest/girl.jpg");
	if (src.empty()) {
		printf("could not load image...\n");
		return;
	}
	imshow("input", src);
	gaussian_noise(src);

	pyrMeanShiftFiltering(src, dst, 15, 50, 1, TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 5, 1));
	imshow("人物-均值迁移模糊", dst);

	waitKey();
}

void gaussian_noise(Mat &image) {
	Mat noise = Mat::zeros(image.size(), image.type());

	// 通过randn产生高斯随机噪声来填充矩阵，15是高斯均值，30是高斯方差
	randn(noise, 15, 30);

	Mat dst;
	add(image, noise, dst);
	imshow("gaussian noise", dst);
	dst.copyTo(image);
}


#endif // !DAY27

 

结果展示：