http://www.cnblogs.com/xrwang/archive/2010/02/28/ImageSegmentation.html?login=1
作者：王先荣
前言
图像分割指的是将数字图像细分为多个图像子区域的过程，在OpenCv中实现了三种跟图像分割相关的算法，它们分别是：分水岭分割算法、金字塔分割算法以及均值漂移分割算法。它们的使用过程都很简单，下面的文章权且用于记录，并使该系列保持完整吧。
分水岭分割算法
分水岭分割算法需要您或者先前算法提供标记，该标记用于指定哪些大致区域是目标，哪些大致区域是背景等等；分水岭分割算法的分割效果严重依赖于提供的标记。OpenCv中的函数cvWatershed实现了该算法，函数定义如下：
void cvWatershed( const CvArr * image, CvArr * markers)
其中：image为8为三通道的彩色图像；
markers是单通道整型图像，它用不同的正整数来标记不同的区域，下面的代码演示了如果响应鼠标事件，并生成标记图像。
生成标记图像
// 当鼠标按下并在源图像上移动时，在源图像上绘制分割线条 private void pbSource_MouseMove( object sender, MouseEventArgs e) { // 如果按下了左键 if (e.Button == MouseButtons.Left) { if (previousMouseLocation.X >= 0 && previousMouseLocation.Y >= 0 ) { Point p1 = new Point(( int )(previousMouseLocation.X * xScale), ( int )(previousMouseLocation.Y * yScale)); Point p2 = new Point(( int )(e.Location.X * xScale), ( int )(e.Location.Y * yScale)); LineSegment2D ls = new LineSegment2D(p1, p2); int thickness = ( int )(LineWidth * xScale); imageSourceClone.Draw(ls, new Bgr(255d, 255d, 255d), thickness); pbSource.Image = imageSourceClone.Bitmap; imageMarkers.Draw(ls, new Gray(drawCount), thickness); } previousMouseLocation = e.Location; } } // 当松开鼠标左键时，将绘图的前一位置设置为（-1，-1） private void pbSource_MouseUp( object sender, MouseEventArgs e) { previousMouseLocation = new Point( - 1 , - 1 ); drawCount ++ ; }
您可以用类似下面的方式来使用分水岭算法：
使用分水岭分割算法
/// <summary> /// 分水岭算法图像分割 /// </summary> /// <returns> 返回用时 </returns> private string Watershed() { // 分水岭算法分割 Image < Gray, Int32 > imageMarkers2 = imageMarkers.Copy(); Stopwatch sw = new Stopwatch(); sw.Start(); CvInvoke.cvWatershed(imageSource.Ptr, imageMarkers2.Ptr); sw.Stop(); // 将分割的结果转换到256级灰度图像 pbResult.Image = imageMarkers2.Bitmap; imageMarkers2.Dispose(); return string .Format( " 分水岭图像分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); }
金字塔分割算法
金字塔分割算法由cvPrySegmentation所实现，该函数的使用很简单；需要注意的是图像的尺寸以及金字塔的层数，图像的宽度和高度必须能被2整除，能够被2整除的次数决定了金字塔的最大层数。下面的代码演示了如果校验金字塔层数：
校验金字塔分割的金字塔层数
/// <summary> /// 当改变金字塔分割的参数“金字塔层数”时，对参数进行校验 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> private void txtPSLevel_TextChanged( object sender, EventArgs e) { int level = int .Parse(txtPSLevel.Text); if (level < 1 || imageSource.Width % ( int )(Math.Pow( 2 , level - 1 )) != 0 || imageSource.Height % ( int )(Math.Pow( 2 , level - 1 )) != 0 ) MessageBox.Show( this , " 注意：您输入的金字塔层数不符合要求，计算结果可能会无效。 " , " 金字塔层数错误 " ); }
使用金字塔分割的示例代码如下：
使用金字塔分割算法
/// <summary> /// 金字塔分割算法 /// </summary> /// <returns></returns> private string PrySegmentation() { // 准备参数 Image < Bgr, Byte > imageDest = new Image < Bgr, byte > (imageSource.Size); MemStorage storage = new MemStorage(); IntPtr ptrComp = IntPtr.Zero; int level = int .Parse(txtPSLevel.Text); double threshold1 = double .Parse(txtPSThreshold1.Text); double threshold2 = double .Parse(txtPSThreshold2.Text); // 金字塔分割 Stopwatch sw = new Stopwatch(); sw.Start(); CvInvoke.cvPyrSegmentation(imageSource.Ptr, imageDest.Ptr, storage.Ptr, out ptrComp, level, threshold1, threshold2); sw.Stop(); // 显示结果 pbResult.Image = imageDest.Bitmap; // 释放资源 imageDest.Dispose(); storage.Dispose(); return string .Format( " 金字塔分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); }
均值漂移分割算法
均值漂移分割算法由cvPryMeanShiftFiltering所实现，均值漂移分割的金字塔层数只能介于[1,7]之间，您可以用类似下面的代码来使用它：
使用均值漂移分割算法
/// <summary> /// 均值漂移分割算法 /// </summary> /// <returns></returns> private string PryMeanShiftFiltering() { // 准备参数 Image < Bgr, Byte > imageDest = new Image < Bgr, byte > (imageSource.Size); double spatialRadius = double .Parse(txtPMSFSpatialRadius.Text); double colorRadius = double .Parse(txtPMSFColorRadius.Text); int maxLevel = int .Parse(txtPMSFNaxLevel.Text); int maxIter = int .Parse(txtPMSFMaxIter.Text); double epsilon = double .Parse(txtPMSFEpsilon.Text); MCvTermCriteria termcrit = new MCvTermCriteria(maxIter, epsilon); // 均值漂移分割 Stopwatch sw = new Stopwatch(); sw.Start(); OpenCvInvoke.cvPyrMeanShiftFiltering(imageSource.Ptr, imageDest.Ptr, spatialRadius, colorRadius, maxLevel, termcrit); sw.Stop(); // 显示结果 pbResult.Image = imageDest.Bitmap; // 释放资源 imageDest.Dispose(); return string .Format( " 均值漂移分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); }
函数cvPryMeanShiftFiltering在EmguCv中没有实现，我们可以用下面的方式来使用：
调用均值漂移分割
// 均值漂移分割 [DllImport( " cv200.dll " )] public static extern void cvPyrMeanShiftFiltering(IntPtr src, IntPtr dst, double spatialRadius, double colorRadius, int max_level, MCvTermCriteria termcrit);
分割效果及性能对比
上述三种分割算法的效果如何呢？下面我们以它们的默认参数，对一幅2272x1704大小的图像进行分割。得到的结果如下所示：
图1 分水岭分割算法（左图白色的线条用于标记区域）
图2 金字塔分割算法
图3 均值漂移分割算法
从上面我们可以看出：
（1）分水岭分割算法的分割效果效果最好，均值漂移分割算法次之，而金字塔分割算法的效果最差；
（2）均值漂移分割算法效率最高，分水岭分割算法接近于均值漂移算法，金字塔分割算法需要很长的时间。
值得注意的是分水岭算法对标记很敏感，需要仔细而认真的绘制。
本文的完整代码如下：
本文完整代码
using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using System.Diagnostics; using System.Runtime.InteropServices; using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; using Emgu.CV.UI; namespace ImageProcessLearn { public partial class FormImageSegment : Form { // 成员变量 private string sourceImageFileName = " wky_tms_2272x1704.jpg " ; // 源图像文件名 private Image < Bgr, Byte > imageSource = null ; // 源图像 private Image < Bgr, Byte > imageSourceClone = null ; // 源图像的克隆 private Image < Gray, Int32 > imageMarkers = null ; // 标记图像 private double xScale = 1d; // 原始图像与PictureBox在x轴方向上的缩放 private double yScale = 1d; // 原始图像与PictureBox在y轴方向上的缩放 private Point previousMouseLocation = new Point( - 1 , - 1 ); // 上次绘制线条时，鼠标所处的位置 private const int LineWidth = 5 ; // 绘制线条的宽度 private int drawCount = 1 ; // 用户绘制的线条数目，用于指定线条的颜色 public FormImageSegment() { InitializeComponent(); } // 窗体加载时 private void FormImageSegment_Load( object sender, EventArgs e) { // 设置提示 toolTip.SetToolTip(rbWatershed, " 可以在源图像上用鼠标绘制大致分割区域线条，该线条用于分水岭算法 " ); toolTip.SetToolTip(txtPSLevel, " 金字塔层数跟图像尺寸有关，该值只能是图像尺寸被2整除的次数，否则将得出错误结果 " ); toolTip.SetToolTip(txtPSThreshold1, " 建立连接的错误阀值 " ); toolTip.SetToolTip(txtPSThreshold2, " 分割簇的错误阀值 " ); toolTip.SetToolTip(txtPMSFSpatialRadius, " 空间窗的半径 " ); toolTip.SetToolTip(txtPMSFColorRadius, " 色彩窗的半径 " ); toolTip.SetToolTip(btnClearMarkers, " 清除绘制在源图像上，用于分水岭算法的大致分割区域线条 " ); // 加载图像 LoadImage(); } // 当窗体关闭时，释放资源 private void FormImageSegment_FormClosing( object sender, FormClosingEventArgs e) { if (imageSource != null ) imageSource.Dispose(); if (imageSourceClone != null ) imageSourceClone.Dispose(); if (imageMarkers != null ) imageMarkers.Dispose(); } // 加载源图像 private void btnLoadImage_Click( object sender, EventArgs e) { OpenFileDialog ofd = new OpenFileDialog(); ofd.CheckFileExists = true ; ofd.DefaultExt = " jpg " ; ofd.Filter = " 图片文件|*.jpg;*.png;*.bmp|所有文件|*.* " ; if (ofd.ShowDialog( this ) == DialogResult.OK) { if (ofd.FileName != "" ) { sourceImageFileName = ofd.FileName; LoadImage(); } } ofd.Dispose(); } // 清除分割线条 private void btnClearMarkers_Click( object sender, EventArgs e) { if (imageSourceClone != null ) imageSourceClone.Dispose(); imageSourceClone = imageSource.Copy(); pbSource.Image = imageSourceClone.Bitmap; imageMarkers.SetZero(); drawCount = 1 ; } // 当鼠标按下并在源图像上移动时，在源图像上绘制分割线条 private void pbSource_MouseMove( object sender, MouseEventArgs e) { // 如果按下了左键 if (e.Button == MouseButtons.Left) { if (previousMouseLocation.X >= 0 && previousMouseLocation.Y >= 0 ) { Point p1 = new Point(( int )(previousMouseLocation.X * xScale), ( int )(previousMouseLocation.Y * yScale)); Point p2 = new Point(( int )(e.Location.X * xScale), ( int )(e.Location.Y * yScale)); LineSegment2D ls = new LineSegment2D(p1, p2); int thickness = ( int )(LineWidth * xScale); imageSourceClone.Draw(ls, new Bgr(255d, 255d, 255d), thickness); pbSource.Image = imageSourceClone.Bitmap; imageMarkers.Draw(ls, new Gray(drawCount), thickness); } previousMouseLocation = e.Location; } } // 当松开鼠标左键时，将绘图的前一位置设置为（-1，-1） private void pbSource_MouseUp( object sender, MouseEventArgs e) { previousMouseLocation = new Point( - 1 , - 1 ); drawCount ++ ; } // 加载源图像 private void LoadImage() { if (imageSource != null ) imageSource.Dispose(); imageSource = new Image < Bgr, byte > (sourceImageFileName); if (imageSourceClone != null ) imageSourceClone.Dispose(); imageSourceClone = imageSource.Copy(); pbSource.Image = imageSourceClone.Bitmap; if (imageMarkers != null ) imageMarkers.Dispose(); imageMarkers = new Image < Gray, Int32 > (imageSource.Size); imageMarkers.SetZero(); xScale = 1d * imageSource.Width / pbSource.Width; yScale = 1d * imageSource.Height / pbSource.Height; drawCount = 1 ; } // 分割图像 private void btnImageSegment_Click( object sender, EventArgs e) { if (rbWatershed.Checked) txtResult.Text += Watershed(); else if (rbPrySegmentation.Checked) txtResult.Text += PrySegmentation(); else if (rbPryMeanShiftFiltering.Checked) txtResult.Text += PryMeanShiftFiltering(); } /// <summary> /// 分水岭算法图像分割 /// </summary> /// <returns> 返回用时 </returns> private string Watershed() { // 分水岭算法分割 Image < Gray, Int32 > imageMarkers2 = imageMarkers.Copy(); Stopwatch sw = new Stopwatch(); sw.Start(); CvInvoke.cvWatershed(imageSource.Ptr, imageMarkers2.Ptr); sw.Stop(); // 将分割的结果转换到256级灰度图像 pbResult.Image = imageMarkers2.Bitmap; imageMarkers2.Dispose(); return string .Format( " 分水岭图像分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); } /// <summary> /// 金字塔分割算法 /// </summary> /// <returns></returns> private string PrySegmentation() { // 准备参数 Image < Bgr, Byte > imageDest = new Image < Bgr, byte > (imageSource.Size); MemStorage storage = new MemStorage(); IntPtr ptrComp = IntPtr.Zero; int level = int .Parse(txtPSLevel.Text); double threshold1 = double .Parse(txtPSThreshold1.Text); double threshold2 = double .Parse(txtPSThreshold2.Text); // 金字塔分割 Stopwatch sw = new Stopwatch(); sw.Start(); CvInvoke.cvPyrSegmentation(imageSource.Ptr, imageDest.Ptr, storage.Ptr, out ptrComp, level, threshold1, threshold2); sw.Stop(); // 显示结果 pbResult.Image = imageDest.Bitmap; // 释放资源 imageDest.Dispose(); storage.Dispose(); return string .Format( " 金字塔分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); } /// <summary> /// 均值漂移分割算法 /// </summary> /// <returns></returns> private string PryMeanShiftFiltering() { // 准备参数 Image < Bgr, Byte > imageDest = new Image < Bgr, byte > (imageSource.Size); double spatialRadius = double .Parse(txtPMSFSpatialRadius.Text); double colorRadius = double .Parse(txtPMSFColorRadius.Text); int maxLevel = int .Parse(txtPMSFNaxLevel.Text); int maxIter = int .Parse(txtPMSFMaxIter.Text); double epsilon = double .Parse(txtPMSFEpsilon.Text); MCvTermCriteria termcrit = new MCvTermCriteria(maxIter, epsilon); // 均值漂移分割 Stopwatch sw = new Stopwatch(); sw.Start(); OpenCvInvoke.cvPyrMeanShiftFiltering(imageSource.Ptr, imageDest.Ptr, spatialRadius, colorRadius, maxLevel, termcrit); sw.Stop(); // 显示结果 pbResult.Image = imageDest.Bitmap; // 释放资源 imageDest.Dispose(); return string .Format( " 均值漂移分割，用时：{0:F05}毫秒。\r\n " , sw.Elapsed.TotalMilliseconds); } /// <summary> /// 当改变金字塔分割的参数“金字塔层数”时，对参数进行校验 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> private void txtPSLevel_TextChanged( object sender, EventArgs e) { int level = int .Parse(txtPSLevel.Text); if (level < 1 || imageSource.Width % ( int )(Math.Pow( 2 , level - 1 )) != 0 || imageSource.Height % ( int )(Math.Pow( 2 , level - 1 )) != 0 ) MessageBox.Show( this , " 注意：您输入的金字塔层数不符合要求，计算结果可能会无效。 " , " 金字塔层数错误 " ); } /// <summary> /// 当改变均值漂移分割的参数“金字塔层数”时，对参数进行校验 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> private void txtPMSFNaxLevel_TextChanged( object sender, EventArgs e) { int maxLevel = int .Parse(txtPMSFNaxLevel.Text); if (maxLevel < 0 || maxLevel > 8 ) MessageBox.Show( this , " 注意：均值漂移分割的金字塔层数只能在0至8之间。 " , " 金字塔层数错误 " ); } } }
扫一扫
370
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
