opencv3以上实现超像素

最新推荐文章于 2024-05-26 09:51:08 发布
最新推荐文章于 2024-05-26 09:51:08 发布
阅读量3.8k 收藏 13
点赞数 3
分类专栏： 超像素

感谢博主的整理，收藏用，原文出自：https://blog.csdn.net/zhangyonggang886/article/details/52854219?locationNum=5&fps=1

opencv关于超像素生成，目前没有发现网上有代码，这里为了方便大家使用超像素，我整理了一下opencv生成超像素的方法，希望对大家有帮助。

这里主要介绍使用opencv生成superpixel，主要介绍的算法为SLIC，SEEDS，LSC。但是目前superpixel生成算法在OpenCV 3.1.0的Release版本中并不存在，因为他们是存放在opencv_contrib目录下面的未稳定功能模块，所以如果我们想要使用这个目录的功能，就需要自己重新进行OpenCV的编译。编译opencv网上有好多教程，大家可以查一查，按照教程一般都能够自己编译opencv。编译所需要的资源如下： 
opencv3.1下载地址：http://opencv.org/downloads.html 
opencv_contrib-master下载地址：https://github.com/opencv/opencv 
cmake-gui下载地址：https://cmake.org/download/ 
这里我就不具体介绍如何编译opencv了，编译以后的文件目录如下： 
这里写图片描述

install就是我们需要的目录，这里面的目录结构和我们下载opencv release版本差不多，见下图：

这里写图片描述
按照官网release版本做相应的配置就OK了。这里如要配置内容如下：这里写图片描述
这里写图片描述

具体的编译，配置就简单介绍到这里，下面是本文的主要内容。

superpixel相关的类在cv::ximgproc命名空间下，在opencv文档中。我们可以看到一下内容： 
这里写图片描述
opencv官方文档中SLIC内容如下：

#include <opencv2/core.hpp>
namespace cv
{
namespace ximgproc
{
class CV_EXPORTS_W SuperpixelSLIC : public Algorithm
{
public:
   // 这个函数用于获得超像素的数量
    CV_WRAP virtual int getNumberOfSuperpixels() const = 0;
    //迭代的次数
    CV_WRAP virtual void iterate( int num_iterations = 10 ) = 0;
    //获得图像超像素标签，是一个CV_32SC1的Mat，标签的值在这个范围内[0, getNumberOfSuperpixels()]
    CV_WRAP virtual void getLabels( OutputArray labels_out ) const = 0;
    //获取超像素的边界，用于展示superpixel分割情况
    CV_WRAP virtual void getLabelContourMask( OutputArray image, bool thick_line = true ) const = 0;
    //这里主要是合并一些小的superpixel，min_element_size 最小超像素，像素点的数量
    CV_WRAP virtual void enforceLabelConnectivity( int min_element_size = 25 ) = 0;
};
    //算法的种类
    enum SLIC { SLIC = 100, SLICO = 101 };
    //静态构造方法
    CV_EXPORTS_W Ptr<SuperpixelSLIC> createSuperpixelSLIC( InputArray image, int algorithm = SLICO, int region_size = 10, float ruler = 10.0f );
}
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

完整代码如下：

#include "stdafx.h"
#include<opencv2/opencv.hpp>
#include <opencv2/ximgproc.hpp>
#include<ctime>
using namespace cv;
using namespace std;

int main()
{
    clock_t start;
    clock_t end;
    Mat frame,labels;
    VideoCapture capture("E://image/skating2.avi");//打开文件
    Mat mask;
    if (!capture.isOpened()) 
    {
        cout << "文件打开失败！" << endl;  
    }

    while (1) 
    {
        capture >> frame;//获取一帧图像
        start = clock();//开始计时

        Ptr<cv::ximgproc::SuperpixelSLIC> slic = cv::ximgproc::createSuperpixelSLIC(frame);//创建一个对象

        slic->iterate();//迭代次数，默认为10
        slic->enforceLabelConnectivity();
        slic->getLabelContourMask(mask);//获取超像素的边界
        slic->getLabels(labels);//获取labels
        int number = slic->getNumberOfSuperpixels();//获取超像素的数量

        frame.setTo(Scalar(255, 255, 255), mask);
        end = clock();//结束计时
        cout << "时间:" << end - start << endl;

        imshow("test", frame);

        int key = waitKey(1);
        if (key == 27)
            break;
    }
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44

运行结果如下： 
这里写图片描述

这里面具体参数的设定，大家可以参考文档和算法作者的论文，论文已经在参考文献中列举出来了。

opencv官方文档中SEEDS内容如下：

#include <opencv2/core.hpp>

namespace cv
{
namespace ximgproc
{

class CV_EXPORTS_W SuperpixelSEEDS : public Algorithm
{
public:

    CV_WRAP virtual int getNumberOfSuperpixels() = 0;

    CV_WRAP virtual void iterate(InputArray img, int num_iterations=4) = 0;

    CV_WRAP virtual void getLabels(OutputArray labels_out) = 0;

    CV_WRAP virtual void getLabelContourMask(OutputArray image, bool thick_line = false) = 0;

    virtual ~SuperpixelSEEDS() {}
};

CV_EXPORTS_W Ptr<SuperpixelSEEDS> createSuperpixelSEEDS(
    int image_width, int image_height, int image_channels,
    int num_superpixels, int num_levels, int prior = 2,
    int histogram_bins=5, bool double_step = false);
}
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

seeds算法实现过程差不多，代码片段如下：

    //这里可以放到循环外面
    Ptr<cv::ximgproc::SuperpixelSEEDS> seeds = cv::ximgproc::createSuperpixelSEEDS(frame.cols, frame.rows, frame.channels(), 1000, 15, 2, 5, true);

    seeds->iterate(frame);//迭代次数，默认为4
    seeds->getLabels(labels);//获取labels
    seeds->getLabelContourMask(mask);;//获取超像素的边界
    int number_seeds = seeds->getNumberOfSuperpixels();//获取超像素的数量
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

运行结果如下： 
这里写图片描述
opencv官方文档中LSC内容如下：

#include <opencv2/core.hpp>

namespace cv
{
namespace ximgproc
{

class CV_EXPORTS_W SuperpixelLSC : public Algorithm
{
public:

    CV_WRAP virtual int getNumberOfSuperpixels() const = 0;

    CV_WRAP virtual void iterate( int num_iterations = 10 ) = 0;

    CV_WRAP virtual void getLabels( OutputArray labels_out ) const = 0;

    CV_WRAP virtual void getLabelContourMask( OutputArray image, bool thick_line = true ) const = 0;

    CV_WRAP virtual void enforceLabelConnectivity( int min_element_size = 20 ) = 0;
};

    CV_EXPORTS_W Ptr<SuperpixelLSC> createSuperpixelLSC( InputArray image, int region_size = 10, float ratio = 0.075f );
}
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

LSC算法的代码片段如下：

    Ptr<cv::ximgproc::SuperpixelLSC> lsc = cv::ximgproc::createSuperpixelLSC(frame);

    lsc->iterate();//迭代次数，默认为4
    lsc->enforceLabelConnectivity();
    lsc->getLabels(labels);//获取labels
    lsc->getLabelContourMask(mask);;//获取超像素的边界
    int number_lsc = lsc->getNumberOfSuperpixels();//获取超像素的数量
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

运行结果如下： 
这里写图片描述

三个算法完整代码如下：

#include "stdafx.h"
#include<opencv2/opencv.hpp>
#include <opencv2/ximgproc.hpp>
#include<ctime>
using namespace cv;
using namespace std;

int main()
{
    clock_t start;
    clock_t end;
    Mat frame,labels;
    VideoCapture capture("E://image/skating2.avi");//打开文件
    Mat mask;
    if (!capture.isOpened()) 
    {
        cout << "文件打开失败！" << endl;  
    }

    while (1) 
    {
        capture >> frame;//获取一帧图像
        start = clock();//开始计时

        //Ptr<cv::ximgproc::SuperpixelSLIC> slic = cv::ximgproc::createSuperpixelSLIC(frame);//创建一个对象

        //slic->iterate();//迭代次数，默认为10
        //slic->enforceLabelConnectivity();
        //slic->getLabelContourMask(mask);//获取超像素的边界
        //slic->getLabels(labels);//获取labels
        //int number_slic = slic->getNumberOfSuperpixels();//获取超像素的数量

        //这里可以放到循环外面
        //Ptr<cv::ximgproc::SuperpixelSEEDS> seeds = cv::ximgproc::createSuperpixelSEEDS(frame.cols, frame.rows, frame.channels(), 1000, 15, 2, 5, true);

        //seeds->iterate(frame);//迭代次数，默认为4
        //seeds->getLabels(labels);//获取labels
        //seeds->getLabelContourMask(mask);;//获取超像素的边界
        //int number_seeds = seeds->getNumberOfSuperpixels();//获取超像素的数量

        Ptr<cv::ximgproc::SuperpixelLSC> lsc = cv::ximgproc::createSuperpixelLSC(frame);

        lsc->iterate();//迭代次数，默认为4
        lsc->enforceLabelConnectivity();
        lsc->getLabels(labels);//获取labels
        lsc->getLabelContourMask(mask);;//获取超像素的边界
        int number_lsc = lsc->getNumberOfSuperpixels();//获取超像素的数量

        frame.setTo(Scalar(255, 255, 255), mask);
        end = clock();//结束计时
        cout << "时间:" << end - start << endl;

        imshow("test", frame);

        int key = waitKey(1);
        if (key == 27)
            break;
    }
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60

大体上介绍到这里，如果文中描述有什么问题，大家可以提出来。

参考文献： 
[1] Zhengqin Li and Jiansheng Chen. Superpixel segmentation using linear spectral clustering. June 2015. 
[2] Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sabine Susstrunk. Slic superpixels compared to state-of-the-art superpixel methods. IEEE Trans. Pattern Anal. Mach. Intell., 34(11):2274–2282, nov 2012. 
[3] Michael Van den Bergh, Xavier Boix, Gemma Roig, Benjamin de Capitani, and Luc Van Gool. Seeds: Superpixels extracted via energy-driven sampling. In Computer Vision–ECCV 2012, pages 13–26. Springer, 2012.

Cethy
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
专栏目录
OpenCV实战（25）——3D场景重建
盼小辉丶的博客
05-31 7459
3D 重建是计算机视觉中一个重要的研究领域，在本节中，我们将学习如何使用不同视图中图像点之间的对应关系来推断 3D 信息，同时介绍一个新的数学实体用于校准相机的两个视图之间的关系，并将讨论三角测量的原理以便从 2D 图像重建 3D 点。
Superpixels-SLIC:简单线性迭代聚类 (SLIC) 超像素分割算法的 OpenCV 实现
06-26
超像素-SLIC 简单线性迭代聚类 (SLIC) 超像素分割算法的 OpenCV 实现 用法 有关示例使用，请参阅 main.cpp。 样本输出 原图 计算出的超像素边界 重新着色 参考 原始论文可以在 找到
Python - Opencv实现图像超像素分割（SLIC、SEEDS、LSC）
热门推荐
qq_40268412的博客
01-09 1万+
超像素   超像素是把一张图片中具有相似特征的像素进行聚类，形成一个更具有代表性的大“像素”。这个新的像素可以作为其他图像处理算法的基本单位，可以减低图像的维度和异常像素点。目前常用的超像素分割算法有SLIC、SEEDS和LSC。下面来说说这些算法基于Opencv的Python实现。 SLIC算法   算法具体可参考博客：SLIC超像素算法原理   那么我来讲讲如何在opencv去实现该算法。利用...
探索超级像素：Superpixels Revisited
gitblog_00046的博客
05-26 357
探索超级像素：Superpixels Revisited 项目地址:https://gitcode.com/davidstutz/superpixels-revisited 在计算机视觉领域，超像素（Superpixels）是一种将图像细分的方法，它有助于提高图像处理和分析的效率。【Superpixels Revisited】是一个集合了多种最先进的超像素算法的库，提供了一站式的解决方案来探索和比...
opencv实现超像素分割（slic实现）
weixin_48262500的博客
03-05 3699
实现效果图： 同时还使用了 mask图，要识别的区域为白色，背景为黑色 import cv2 import numpy as np import os.path as osp import os import numpy as np from tqdm import tqdm from skimage import morphology from skimage import segmentation def get_ori_list(ori_folder): img_list = o
超像素分割opencv实现_OpenCV图像处理实例：使用vlfeat的SLIC Superpixel实现图像分割...
weixin_36352415的博客
01-11 216
SLIC Superpixel算法可以参考：https://www.cnblogs.com/supersponge/p/6546082.html#include #include extern "C" {#include "vlfeat/generic.h"#include "vlfeat/slic.h"}int main() {//读取图像cv::Mat mat = cv::imread(".....
【OpenCv3】 VS C++ （五）：SLIC超像素分割算法
qq_40515692的博客
11-03 5247
题目如下： 简单解法（HSV 直方图阈值）如下： https://blog.csdn.net/qq_40515692/article/details/102749271 这一节先讲SLIC超像素算法，下一节讲在超像素基础上用Kmeans分类进行分割，参考博客如下： https://www.jianshu.com/p/d0ef931b3ddf https://blog.csdn.net/duyue...
使用OpenCV和Python标记超像素色彩
qq_43667130的博客
11-02 1844
本文翻译自光头哥哥的博客： 【Labeling superpixel colorfulness with OpenCV and Python】，仅做学习分享。 原文链接： https://www.pyimagesearch.com/2017/06/26/labeling-superpixel-colorfulness-opencv-python/ 在我们上一篇关于计算图像色彩的文章发表之后，PyImageSearch的读者Stephan在教程中留言，询问是否有一种方法可以计算图像特定区域(而不是整个图像
超像素分割opencv实现_超像素分割SLIC(简单线性迭代聚类)用opencv分割程序
weixin_39816062的博客
12-19 310
【实例简介】将SLIC作者的源码中主要算法部分的代码提取出来，并用opencv输出处理图像，方便后续的程序的处理。【实例截图】【核心代码】用opencv做出slic分割图└── 用opencv做出slic分割图├── Debug│ ├── SLIC独立代码.exe│ ├── SLIC独立代码.ilk│ └── SLIC独立代码.pdb├── SLIC独立代码│ ├── Comput...
SNIC超像素cpp/opencv实现
11-06
效果和SLIC类似，但是不需要k-means聚类所以效率更高。...m，决定超像素的紧凑程度和边缘特性。在c++上用opencv和STL实现了一下，后续想在效率上继续提高，有什么问题和建议欢迎交流。 速度慢的话把cout都删掉就好了。
OpenCV图像超分辨率重建 4种网络模型
05-13
目前，支持4种不同的超分辨率模型，它们可以实现2倍、3倍、4倍甚至8倍的图像方法。 EDSR： 这个是表现最好的模型。但是这个模型也是最大的，所以运行速度会比较慢。 ESPCN： 这个模型具有速度快，效果好的特点，...
SLIC超像素分割+opencv3.1+vs2013
12-06
在OpenCV中实现SLIC超像素分割，需要使用到的函数可能包括`cv::cuda::slicSuperpixels`（如果使用GPU加速）或`cv::superres::SuperpixelSLIC::compute`（如果在CPU上执行）。开发者需要理解这些函数的工作原理，以及...
slic_超像素分割_SLIC超像素分割_
10-02
3. 更新：在每次迭代后，重新计算每个超像素的中心，即该超像素内所有像素的加权平均颜色和位置。 4. 边界优化：为了得到更加平滑的超像素边界，SLIC可能还会进行额外的优化步骤，例如采用水平集方法或者基于能量...
OpenCV 生成超像素 SLIC superpixel算法原理
OpenCV 图像辨识的博客
04-13 1404
OpenCV 生成超像素 SLIC superpixel算法原理 基本思想 算法大致思想是这样的，将图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个像素的（L，a，b）颜色值和（x，y）坐标组成一个5维向量V[l, a, b, x, y],两个像素的相似性即可由它们的向量距离来度量，距离越大，相似性越小。 算法首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像...
【中科院1区】Matlab实现天鹰优化算法AO-RF锂电池健康状态估计算法研究.rar
最新发布
08-02
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
汽车行业数字化转型报告顶层规划设计.docx
08-02
汽车行业数字化转型报告顶层规划设计.docx
毕业设计，基于ASP.NET+SqlServer开发的企业投资价值分析系统，内含完整源代码，数据库，毕业论文
08-02
毕业设计，基于ASP.NET+SqlServer开发的企业投资价值分析系统，内含完整源代码，数据库，毕业论文 自中国证券市场产生以来，投资者进行投资理财迫切需要有一个科学的理论依据，在众多投资理论体系中，确定企业的价值和股票的价值，是一个重要的流派。著名的投资专家巴非特就是通过分析企业的内在价值，寻找价值被低估的股票，等到市场认可了该企业的价值，再将股票抛出，从而获得了的投机收益，其管理的基金也一度成为世界上最成功的投资基金之一。从西方国家理论界对相关领域的研究结果来看，也取得了一些成果，包括：CAPM 模型、 ICAPM模型、APT模型等，也有人用市盈率方法对股票进行定价。国内在相关的领域也取得了一些研究成果。然而，尽管国内外理论界研究成果较多，但真正适应中国证券市场、适应中国广大投资者的切实有效的理论至今仍是一个空白。在中国这样一个特殊的背景下，股权结构的特殊性、证券市场初创时期的投资性等因素，使得一些模型受到挑战，而且这些模型的精确化程度也受到限制，有必要探求新的思路和方法，为广大的投资者提供切实可靠的操作依据。对股票的价值进行评估必须综合尽可能全面的因素才能使得这些评估更加科
【创新未发表】Matlab实现黑猩猩优化算法Chimp-RF实现风电预测算法研究.rar
08-02
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
opencv 超像素重构
02-05
OpenCV提供了用于实现SLIC算法的函数，可以通过调整其超参数，如聚类数目和距离度量，来控制生成的超像素的数量和质量。 除了基于图像分割的算法，OpenCV还提供了其他一些超像素重构算法，如LSC（Least Squares ...
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值