opencv之分水岭算法watershed源码注释
来源:互联网 发布:中级会计师网校 知乎 编辑:程序博客网 时间:2024/05/19 05:05
转载自:http://blog.csdn.net/u011375993/article/details/46793655
为了研究分水岭算法,阅读了OpenCV 2.4.9 中watershed函数的源码实现部分,代码位于 opencv\sources\modules\imgproc\src\segmentation.cpp 文件中。先贴出加了注解的代码,以后补充对分水岭算法的解释。
#include "precomp.hpp"/******************************************************* Watershed **************************************************************************************/// 结点,用于存储原始图img中像素的偏移量和输出图mask中像素的偏移量typedef struct CvWSNode{ struct CvWSNode* next; int mask_ofs; int img_ofs;}CvWSNode;// 队列,用于存储结点 CvWSNodetypedef struct CvWSQueue{ CvWSNode* first; CvWSNode* last;}CvWSQueue;// 分配空间static CvWSNode*icvAllocWSNodes( CvMemStorage* storage ){ CvWSNode* n = 0; int i, count = (storage->block_size - sizeof(CvMemBlock))/sizeof(*n) - 1; n = (CvWSNode*)cvMemStorageAlloc( storage, count*sizeof(*n) ); for( i = 0; i < count-1; i++ ) n[i].next = n + i + 1; n[count-1].next = 0; return n;}CV_IMPL voidcvWatershed( const CvArr* srcarr, CvArr* dstarr ){ const int IN_QUEUE = -2; // 加入到队列q中的点定义为 -2 const int WSHED = -1; // “分水岭”在mask中定义为 -1 const int NQ = 256; // 队列的数量 256,其实是对应灰度的数量 cv::Ptr<CvMemStorage> storage; CvMat sstub, *src; CvMat dstub, *dst; CvSize size; CvWSNode* free_node = 0, *node; CvWSQueue q[NQ]; // 长度为256的CvWSQueue数组,注意数组中每个元素都是一个队列,队列中每个元素是一个节点 int active_queue; // 指明当前处理的队列,q[active_queue] int i, j; int db, dg, dr; int* mask; // 指向标记图像的指针 uchar* img; // 指向原始图像的指针 int mstep, istep; // mstep是mask对应的一行像素数(不是字节数),istep是img对应的一行像素数 int subs_tab[513]; // MAX(a,b) = b + MAX(a-b,0) 取最大值 #define ws_max(a,b) ((b) + subs_tab[(a)-(b)+NQ]) // MIN(a,b) = a - MAX(a-b,0) 取最小值 #define ws_min(a,b) ((a) - subs_tab[(a)-(b)+NQ]) // 进队操作 #define ws_push(idx,mofs,iofs) \ { \ if( !free_node ) \ free_node = icvAllocWSNodes( storage );\ node = free_node; \ free_node = free_node->next;\ node->next = 0; \ node->mask_ofs = mofs; \ node->img_ofs = iofs; \ if( q[idx].last ) \ q[idx].last->next=node; \ else \ q[idx].first = node; \ q[idx].last = node; \ } // 出队操作 #define ws_pop(idx,mofs,iofs) \ { \ node = q[idx].first; \ q[idx].first = node->next; \ if( !node->next ) \ q[idx].last = 0; \ node->next = free_node; \ free_node = node; \ mofs = node->mask_ofs; \ iofs = node->img_ofs; \ } // 求出 ptr1 和 ptr2 指向的像素 r,g,b 差值的最大值 #define c_diff(ptr1,ptr2,diff) \ { \ db = abs((ptr1)[0] - (ptr2)[0]);\ dg = abs((ptr1)[1] - (ptr2)[1]);\ dr = abs((ptr1)[2] - (ptr2)[2]);\ diff = ws_max(db,dg); \ diff = ws_max(diff,dr); \ assert( 0 <= diff && diff <= 255 ); \ } src = cvGetMat( srcarr, &sstub ); dst = cvGetMat( dstarr, &dstub ); // 对参数做检查,要求图像src的类型是8UC3,dst的类型是32SC1,src和dst size相同 if( CV_MAT_TYPE(src->type) != CV_8UC3 ) CV_Error( CV_StsUnsupportedFormat, "Only 8-bit, 3-channel input images are supported" ); if( CV_MAT_TYPE(dst->type) != CV_32SC1 ) CV_Error( CV_StsUnsupportedFormat, "Only 32-bit, 1-channel output images are supported" ); if( !CV_ARE_SIZES_EQ( src, dst )) CV_Error( CV_StsUnmatchedSizes, "The input and output images must have the same size" ); size = cvGetMatSize(src); // 获取图像的size storage = cvCreateMemStorage(); // 步长 = 一行字节数 / sizeof(像素数据类型) istep = src->step; // img是uchar型, sizeof(uchar) = 1,所以忽略除数 img = src->data.ptr; // 获取 uchar类型指针 mstep = dst->step / sizeof(mask[0]); // mask是int(32SC1)型,sizeof(mask[0]) = 4 mask = dst->data.i; // 获取 int类型指针 memset( q, 0, NQ*sizeof(q[0]) ); // 初始化队列q for( i = 0; i < 256; i++ ) subs_tab[i] = 0; for( i = 256; i <= 512; i++ ) subs_tab[i] = i - 256; // draw a pixel-wide border of dummy "watershed" (i.e. boundary) pixels // 把图像四个边的像素画成分水岭 // mask的首行和末行画成分水岭 for( j = 0; j < size.width; j++ ) mask[j] = mask[j + mstep*(size.height-1)] = WSHED; // initial phase: put all the neighbor pixels of each marker to the ordered queue - // determine the initial boundaries of the basins // 初始阶段:把每个标记的所有邻居像素放到有序队列中去,以确定聚水盆的初始边界 // 即每个标记(种子,全为正值,1,2,3...)都是一个初始聚水盆,标记的周围一圈的邻居像素就是聚水盆的初始边界 // 这里用的是一种逆向思维,不是找标记点,而是判断每一个点是否为标记点的邻居,若是,则该点也被扩充为与标记点同类型的标记点 // 若是多个标记点的邻居,选择梯度最小的标记点的类型,作为该点的标记点类型 for( i = 1; i < size.height-1; i++ ) { img += istep; mask += mstep; // 逐行扫描 mask[0] = mask[size.width-1] = WSHED; // 每一行的首列和末列画成分水岭,加上前面的首行和末行,mask被分水岭方框围起来 for( j = 1; j < size.width-1; j++ ) // 逐列 { int* m = mask + j; // mask的每个像素 if( m[0] < 0 ) m[0] = 0; // 该点若为负值,先置为零(初始状态下除了四边是分水岭(-1)其余点不应该存在负值?) if( m[0] == 0 && (m[-1] > 0 || m[1] > 0 || m[-mstep] > 0 || m[mstep] > 0) ) // 若该点为非标记点(0),且四邻域存在标记点(>0) { // 求出原图中该点到有标记点的四邻域中,梯度值最小(idx)方向的点,将该点和对应的最小梯度值放入q[idex]队列中 // 两个像素的r,g,b 三个通道中相差最大的值作为像素间的梯度值 uchar* ptr = img + j*3; int idx = 256, t; if( m[-1] > 0 ) c_diff( ptr, ptr - 3, idx ); if( m[1] > 0 ) { c_diff( ptr, ptr + 3, t ); idx = ws_min( idx, t ); } if( m[-mstep] > 0 ) { c_diff( ptr, ptr - istep, t ); idx = ws_min( idx, t ); } if( m[mstep] > 0 ) { c_diff( ptr, ptr + istep, t ); idx = ws_min( idx, t ); } assert( 0 <= idx && idx <= 255 ); ws_push( idx, i*mstep + j, i*istep + j*3 ); // 将该点在img和mask中的坐标(一维表示)存储在q[idx]队列中 m[0] = IN_QUEUE; // 在mask中标记该点已入队 } } } // find the first non-empty queue // 定位到第一个非空的队列 for( i = 0; i < NQ; i++ ) if( q[i].first ) break; // if there is no markers, exit immediately // 若i=256,说明数组q中所有队列为空 if( i == NQ ) return; active_queue = i; img = src->data.ptr; mask = dst->data.i; // recursively fill the basins // 递归地填满聚水盆 for(;;) { int mofs, iofs; // 将二维图像线性化后图像像素的坐标 mask_offset 和 img_offset 的缩写 int lab = 0, t; int* m; uchar* ptr; // 如果这个灰度上的队列处理完了,就继续找下一个非空队列 if( q[active_queue].first == 0 ) { for( i = active_queue+1; i < NQ; i++ ) if( q[i].first ) break; if( i == NQ ) break; active_queue = i; } ws_pop( active_queue, mofs, iofs ); // 从q[active_queue]队列中取出一个结点数据 // 找到这个结点记录的img和mask中的像素点,比较该点在mask中的邻居点 // 邻居点中如果有标记点:该点与邻居点的标记类型不同,则该点为分水岭;该点与邻居点标记类型相同,则该点不变 // 如果有非标记点:将非标记点扩充为标记点 m = mask + mofs; ptr = img + iofs; t = m[-1]; if( t > 0 ) lab = t; t = m[1]; if( t > 0 ) { if( lab == 0 ) lab = t; else if( t != lab ) lab = WSHED; // 如果该像素点的标记类型和邻居像素标记类型都 > 0 且不同,则为分水岭 } t = m[-mstep]; if( t > 0 ) { if( lab == 0 ) lab = t; else if( t != lab ) lab = WSHED; } t = m[mstep]; if( t > 0 ) { if( lab == 0 ) lab = t; else if( t != lab ) lab = WSHED; } // 因为标记点要么是初始种子点,要么是初始阶段延伸的种子点的邻接点 // 该点一定存在一个邻接点是标记点,所以lab一定会赋值一次,不为 0 assert( lab != 0 ); // 若lab > 0 ,则该点被周围的标记点扩充;若lab = -1(WSHED),则该点定义为分水岭,继续下一个循环 m[0] = lab; if( lab == WSHED ) continue; // lab > 0 的情况,确定该点为标记点,且邻居点中存在未标记点的情况,将未标记点扩充为标记点 if( m[-1] == 0 ) { c_diff( ptr, ptr - 3, t ); // 计算梯度t ws_push( t, mofs - 1, iofs - 3 ); // 将m[-1]这一未标记的点扩充为标记点,进队 active_queue = ws_min( active_queue, t ); // 判断,若t < 当前处理的队列active_queue值,则下一次循环中处理q[t]队列,否则继续处理当前队列 m[-1] = IN_QUEUE; } if( m[1] == 0 ) { c_diff( ptr, ptr + 3, t ); ws_push( t, mofs + 1, iofs + 3 ); active_queue = ws_min( active_queue, t ); m[1] = IN_QUEUE; } if( m[-mstep] == 0 ) { c_diff( ptr, ptr - istep, t ); ws_push( t, mofs - mstep, iofs - istep ); active_queue = ws_min( active_queue, t ); m[-mstep] = IN_QUEUE; } if( m[mstep] == 0 ) { c_diff( ptr, ptr + istep, t ); ws_push( t, mofs + mstep, iofs + istep ); active_queue = ws_min( active_queue, t ); m[mstep] = IN_QUEUE; } }}void cv::watershed( InputArray _src, InputOutputArray markers ){ Mat src = _src.getMat(); CvMat c_src = _src.getMat(), c_markers = markers.getMat(); cvWatershed( &c_src, &c_markers );}
0 0
- opencv之分水岭算法watershed源码注释
- opencv之分水岭算法 watershed 函数源码注解
- opencv 分水岭算法watershed
- OpenCV 源码中分水岭算法 watershed 函数源码注解
- matlab之watershed分水岭分割算法
- 使用OpenCV和C++实现的分水岭算法(Watershed)
- 使用OpenCV和C++实现的分水岭算法(Watershed)
- 分水岭算法(Watershed algorithm)与OpenCV实现
- Opencv分水岭算法——watershed自动图像分割用法
- Opencv分水岭算法——watershed自动图像分割用法
- Opencv分水岭算法——watershed自动图像分割用法
- 基于边缘的图像分割——分水岭算法(watershed)算法分析(附opencv源码分析)
- 分水岭算法(Watershed Algorithm)
- 分水岭算法(Watershed Algorithm)
- 分水岭算法(Watershed Algorithm)
- 分水岭算法(Watershed Algorithm)
- 分水岭算法(Watershed Algorithm)
- 分水岭算法(Watershed Algorithm)
- 画板实现小案例
- 配置spring事务管理的几种方式(声明式事务)----使用tx标签配置的拦截器
- Java基础(三) Java变量、操作符及判断和循环语句之(二)
- BZOJ 1257: [CQOI2007]余数之和sum [分块]【数学】
- jquery拖拽方块效果
- opencv之分水岭算法watershed源码注释
- 阿里巴巴Java开发手册(开发规范)(节选)
- 堆相关
- Android仿微信朋友圈,全文收起功能,附源码
- Java的动态绑定机制
- 蓝桥杯 2015 省赛 1 方程整数解
- 用npm来部署快速一个httpweb服务器
- zmq_device test
- Java基础2-基本程序设计结构