meanshift segmentation（原理+源码）

一、meanshift 分割算法原理;

 

参考论文：Mean shift: A robust approach toward feature space analysis , PAMI, 2002

mean shift认为中心是概率密度（ probalility density function  ）的 极大值点 ，沿着梯度方向，自适应调整步长（越靠近极值点步长越小），迭代搜索 。

其算法主要分为二步：

 1. 模点搜索，即找每个数据点的类中心，以中心的颜色代替自己的颜色，从而平滑图像。但模点搜索得到的模点太多，并且很多模点挨得很近，若果将每个模点都作为一类的话，类别太多，容易产生过分割，即分割太细，所以要合并掉一些模点。

2.模点聚类。模点聚类后所得到的分割区域中，有些区域所包含的像素点太少，这些小区域也不是我们想要的，需要再次合并。OpenCV采用 flood fill 函数实现。

二、meanshift 分割算法在opencv上的实现;

CV_EXPORTS_W void pyrMeanShiftFiltering(InputArray src,//输入图像

OutputArray dst,//输出图像
                                          double sp,//空间域半径

double sr, //颜色域半径

                                                                                      int maxLevel=1，分割金字塔的最大层数
                               TermCriteria termcrit=TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS,5,1) ) ；//迭代的终止条件

           其中，double sp,//空间域半径，double sr,//颜色域半径，int maxLevel=1，分割金字塔的最大层数，这三个值越大，程序运行的速度越慢

源码范例

#include 
#include 
#include 
#include 
#include

using namespace cv;
using namespace std;

Mat src, dst;


void meanshift_seg(int spatialRad, int colorRad, int maxPryLevel)
{

	调用meanshift图像金字塔进行分割

	pyrMeanShiftFiltering(src, dst, spatialRad, colorRad, maxPryLevel);
	RNG rng = theRNG();
	Mat mask(dst.rows + 2, dst.cols + 2, CV_8UC1, Scalar::all(0));
	for (int i = 0; i < dst.rows; i++)    //opencv图像等矩阵也是基于0索引
	{
		for (int j = 0; j < dst.cols; j++)
		{
			if (mask.at(i + 1, j + 1) == 0)
			{
				Scalar newcolor(rng(256), rng(256), rng(256));
				floodFill(dst, mask, Point(j, i), newcolor, 0, Scalar::all(1), Scalar::all(1));
			}
		}
	}
	
}



int main(int argc, uchar* argv[])

{
	clock_t start, end;
	start = clock();

	src = imread("1.jpg");
	meanshift_seg(10,10,1);

	imshow("src", src);
	imshow("dst", dst);

	end = clock();
	cout << "Run time: " << (double)(end - start) / CLOCKS_PER_SEC << "S" << endl;

	waitKey();//无限等待用户交互响应
}

原图

分割后的图像