基于opencv的高斯混合模型(GMM)算法进行图像分割

基于贾志刚老师的OPENCV图像分割实战的代码，下面的代码可以跑通，环境需要自己提前搭建好。

 

#include<opencv2/opencv.hpp>

using namespace std;
using namespace cv;
using namespace cv::ml;

int main(int argv, char* argc)
{
    Mat src = imread("50.bmp");

    //定义5种颜色  最大分类不超过5
    Scalar colorTab[] = {
        Scalar(0, 0, 255),
        Scalar(0, 255, 0),
        Scalar(255, 0, 0),
        Scalar(0, 255, 255),
        Scalar(255, 0, 255),

    };

    int width = src.cols;
    int height = src.rows;
    int dims = src.channels();

    int nsamples = width * height;
    //创建sampleCount行2列的mat
    Mat points(nsamples, dims, CV_64FC1);
    Mat labels;
    Mat result = Mat::zeros(src.size(), CV_8UC3);

    //定义分类  即函数K值 多少个分类点
    int num_cluster = 5;

    // 图像RGB像素数据转换为样本数据
    int index = 0;
    for (int row = 0; row < height; row++)
    {
        for (int col = 0; col < width; col++)
        {
            index = row * width + col;
            Vec3b bgr = src.at<Vec3b>(row, col);
            points.at<double>(index, 0) = static_cast<int>(bgr[0]);
            points.at<double>(index, 1) = static_cast<int>(bgr[1]);
            points.at<double>(index, 2) = static_cast<int>(bgr[2]);

        }
    }

    // EM Cluster Train
    Ptr<EM> em_model = EM::create();
    //分区个数
    em_model->setClustersNumber(num_cluster);
    //设置协方差矩阵类型
    em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);
    //设置收敛条件
    em_model->setTermCriteria(TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 100, 0.1));
    //根据样本训练 将概率分区存储到lables EM
    em_model->trainEM(points, noArray(), labels, noArray());

    // 对每个像素标记颜色与显示
    Mat sample(1, dims, CV_64FC1);
    int r = 0, g = 0, b = 0;
    //将每个像素放到样本中
    for (int row = 0; row < height; row++) {
        for (int col = 0; col < width; col++) {
            index = row * width + col;

            //获取各个通道的颜色
            b = src.at<Vec3b>(row, col)[0];
            g = src.at<Vec3b>(row, col)[1];
            r = src.at<Vec3b>(row, col)[2];

            //将像素放到样本数据中
            sample.at<double>(0, 0) = static_cast<double>(b);
            sample.at<double>(0, 1) = static_cast<double>(g);
            sample.at<double>(0, 2) = static_cast<double>(r);

            //四舍五入
            int response = cvRound(em_model->predict2(sample, noArray())[1]);
            Scalar c = colorTab[response];
            result.at<Vec3b>(row, col)[0] = c[0];
            result.at<Vec3b>(row, col)[1] = c[1];
            result.at<Vec3b>(row, col)[2] = c[2];
        }
    }
    imshow("GMM-EM DEMO", result);
    waitKey(0);
    return 0;

}