opencv 图割grabcut

opencv grabcut

demo: http://download.csdn.net/detail/keen_zuxwang/9852585

高斯混合模型GMM和EM算法
http://blog.csdn.net/u011574296/article/details/52986943
图像分割之（四）OpenCV的GrabCut函数使用和源码解读
http://blog.sina.com.cn/s/blog_6272500201018cc7.html
opencv中的高斯混合模型源码详解
http://blog.csdn.net/u011574296/article/details/52994054
从GraphCut到GrabCut的OpenCV实现：图像分割
http://blog.sina.com.cn/s/blog_1584387c90102x5fu.html

基于图割理论
利用图像的纹理，颜色，位置信息，得到的分割结果具有交大的边界反差。这个算法要求手动设置（可能的）前景和背景的种子点。当背景和前景的差别比较大时，分割结果比较好， 反之分割结果比较差。

图像分割算法：
全自动图像分割：采用聚类算法来最大化前景与背景的差。
互动式图像分割: 根据提供的前景和背景种子，对前景背景建立概率分布模型。

GrabCut
就是属于第二类图像分割算法，主要应用高斯混合模型GMM算法、期望最大化EM算法（EM去计算GMM参数，当GMM模型参数趋于稳定即认为完成了图下像的分割）

GrabCut具体步骤如下（根据框选矩形）：
1、长方形外的像素作为背景像素，长方形内的像素作为前景像素，用这两组像素去Train背景GMM和前景GMM。
2、用训练好的两个GMM来计算每一个像素属于背景和属于前景的概率，
进而计算出能量函数E中的Data项，能量函数中的Smoothness项的计算方法大致与GraphCut相同。
3、通过最优化能量函数得到图像的一个分割。
4、用3中的分割结果中的前景像素和背景像素去训练前景GMM和背景GMM.
5、重复2，3，4，直到分割结果收敛(两次迭代的结果变化小于一定程度)。
GrabCut是一个循环执行的算法，其循环的目的是为了EM（Expectation Maximization）。
长方形内也有部分背景像素，这样的种子是不完全正确的。但GMM模型并不要求所有的训练数据正确，即使有一部分分类不正确，也可以通过EM步骤使得最终结果正确。而GrabCut正是利用了GMM的这一特性。

//! class of the pixel in GrabCut algorithmenum{    GC_BGD    = 0,  //!< background    GC_FGD    = 1,  //!< foreground    GC_PR_BGD = 2,  //!< most probably background    GC_PR_FGD = 3   //!< most probably foreground};//! GrabCut algorithm flagsenum{    GC_INIT_WITH_RECT  = 0,    GC_INIT_WITH_MASK  = 1,    GC_EVAL            = 2};

首先用户在图片上画一个方框，grabCut默认方框内部为前景，设置掩码为2，方框外部都是背景，设置掩码为0。然后根据算法，将方框内部检查出来是背景的位置，掩码由2改为0。经算法处理，方框中掩码依然为2的，就是检查出来的前景，其他为背景

//! segments the image using GrabCut algorithmCV_EXPORTS_W void grabCut( InputArray img, InputOutputArray mask, Rect rect,                           InputOutputArray bgdModel, InputOutputArray fgdModel,                           int iterCount, int mode = GC_EVAL );

功能：图像前景与背景的分离
img:
待分割的源图像，必须是8位3通道（CV_8UC3）图像
mask:
掩码图像，大小和原图像一致。可以有如下几种取值
GC_BGD（=0），背景
GC_FGD（=1），前景
GC_PR_BGD（=2），可能的背景
GC_PR_FGD（=3），可能的前景
rect:
用于限定需要进行分割的图像范围，只有该矩形窗口内的图像部分才被处理
bgdModel:
背景模型，如果为null，函数内部会自动创建一个bgdModel
fgdModel：
前景模型，如果为null，函数内部会自动创建一个fgdModel
iterCount:
迭代次数，必须大于0
mode:
用于指示grabCut函数进行什么操作。可以有如下几种选择：
GC_INIT_WITH_RECT（=0），用矩形窗初始化GrabCut
GC_INIT_WITH_MASK（=1），用掩码图像初始化GrabCut
GC_EVAL（=2），执行分割

JNI代码：

JNIEXPORT jlong JNICALL Java_com_example_grabcut_MainActivity_doGrabCut(JNIEnv *env, jclass clz, jlong imageGray){    Mat img  = Mat(*(Mat*)imageGray);    Mat img0(img.size(),CV_8UC3); //输入图像须为CV_8UC3类型    cvtColor(img, img0, CV_BGRA2BGR);    Mat result; //4种可能结果    Mat bgModel;//背景    Mat fgModel;//前景    Rect selection = Rect(img.cols/4, 0, img.cols/2, img.rows*3/4); //须框选矩形，为grabCut前景、背景    grabCut(img0, result, selection, bgModel, fgModel, 5, GC_INIT_WITH_RECT); //迭代5次，GC_INIT_WITH_RECT矩形窗初始化GrabCut    compare(result, GC_PR_FGD, result, CMP_EQ);  //得到前景mask    Mat foreground(img.size(),CV_8UC3, Scalar::all(255));    img0.copyTo(foreground,result); // img    Mat *hist = new Mat(foreground);    return (jlong) hist;}