快捷導(dǎo)航

OpenCV機(jī)器學(xué)習(xí)MeanShift算法筆記分享

更新時(shí)間：2021年09月01日 16:00:41 作者：liyuanbhu

這篇文章主要介紹了OpenCV機(jī)器學(xué)習(xí)MeanShift算法筆記分享，有需要的朋友可以借鑒參考下，希望可以對(duì)各位讀者的OpenCV算法學(xué)習(xí)能夠有所幫助

MeanShift算法

Mean shift 是一種機(jī)器學(xué)習(xí)算法，并不僅僅局限于圖像上的應(yīng)用。關(guān)于 Mean shift 算法介紹的書(shū)和文章很多，這里就不多介紹了。簡(jiǎn)單的說(shuō)，Meanshift 算法是一種迭代算法，需要給一個(gè)初始的區(qū)域，然后這個(gè)算法會(huì)反復(fù)的調(diào)整這個(gè)區(qū)域，使得這個(gè)區(qū)域最吻合我們期望的特征。

OpenCV 中有兩處用到了 Mean Shift 。分別是：

pyrMeanShiftFiltering

meanShift

這里只介紹第二個(gè)函數(shù)的使用方法。

我們的原始圖像還是上次那個(gè)向日葵的圖像，我們選中其中一朵向日葵來(lái)計(jì)算 Histogram，但是這次我們計(jì)算 Hue 通道的 Histogram：

在這里插入圖片描述

之后用這個(gè)直方圖數(shù)據(jù)在另外一個(gè)圖像中用 Meanshift 算法去找向日葵。

下面是代碼，首先加載原始圖像。在原始圖像中找到向日葵，計(jì)算向日葵區(qū)域的 Histogram。

    cv::Mat image = cv::imread("D:\\向日葵.jpg");
    cv::Mat imageROI = image(cv::Rect(130, 250, 75, 75));
    ColorHistogram hist;
    cv::Mat h = hist.getHueHistogram(imageROI, 65);
    cv::imshow("pic", image);
    ContentFinder finder;
    finder.setHistogram(h);
    finder.setThreshold(-1.0f);

之后加載我們要探測(cè)的圖像，做 backproject，得到概率分布圖。

    cv::Mat image2 = cv::imread("D:\\02.jpg");
    cv::Mat hsv;
    cv::cvtColor(image2, hsv, CV_BGR2HSV);
    int ch[1] = {0};
    cv::Mat probImage = finder.find(hsv, 0.0, 180, ch);
    cv::Mat img_color;
    cv::applyColorMap(probImage, img_color, cv::COLORMAP_JET);
    cv::imshow("backproject", img_color);

在這里插入圖片描述

最后 Meanshift 就是在右圖中找出概率最大的那個(gè)區(qū)域。對(duì)于這個(gè)問(wèn)題來(lái)說(shuō)，其實(shí)做個(gè)遍歷就行。

meanshift 相比遍歷效率更高。但是如果初始區(qū)域選的不好，有可能會(huì)找不到向日葵所在的區(qū)域。

所以meanshift 并不是萬(wàn)能的。

    cv::Rect rect(100, 100, 200, 200);
    cv::rectangle(image2, rect, cv::Scalar(255,0,0));
//    cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER, 30, 1);
    cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS,
                              10,
                              1);
    cv::meanShift(probImage, rect, criteria);
    cv::rectangle(image2, rect, cv::Scalar(0,0,255));
    cv::imshow("image2", image2);

下面是輸出結(jié)果，藍(lán)框是我們隨便選的初始區(qū)域，紅框是得到的結(jié)果?？梢钥吹綔?zhǔn)確的找到了向日葵所在區(qū)域。

在這里插入圖片描述

如果我們初始區(qū)域選的不太好，就會(huì)找不到向日葵。比如下面的代碼。

    cv::Rect rect(0, 0, 200, 200);
    cv::rectangle(image2, rect, cv::Scalar(255,0,0));
    cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS,
                              10,
                              1);
    cv::meanShift(probImage, rect, criteria);
    cv::rectangle(image2, rect, cv::Scalar(0,0,255));
    cv::imshow("image2", image2);

在這里插入圖片描述

可以看到迭代了10次，但是區(qū)域一點(diǎn)沒(méi)動(dòng)。一般來(lái)說(shuō)我們可以隨機(jī)選擇初始區(qū)域，如果一個(gè)區(qū)域 meanshift失敗了，就再隨機(jī)選另一個(gè)區(qū)域。這樣試幾次就能得到不錯(cuò)的結(jié)果。

以上就是OpenCV機(jī)器學(xué)習(xí)MeanShift算法筆記分享的詳細(xì)內(nèi)容，更多關(guān)于OpenCV機(jī)器學(xué)習(xí)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: