摘要
本文通过opencv来实现一种前景检测算法——GMM，算法采用的思想来自论文[1][2][4]。在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。
关键字：GMM,opencv，前景检测
前言
前景检测主要分为帧差法，平均背景法，光流法，前景建模法，背景非参数估计，背景建模法等。而本文要实现的方法属于背景建模法中的一种——GMM，也称混合高斯模型。
混合高斯模型最早在计算机视觉中的应用是Stauffer et al.[1],作者将其用来做前景检测，主要是用于视频监控领域，这个系统和稳定且有自学能力，能在户外环境跑16个多月。KaewTraKulPong et al.[2]将GMM的训练过程做了改进，将训练过程分为2步进行，前L帧采用EM算法进行权值，均值，方差更新，后面的过程就采用[1]中的方法进行更新，取得了更好的检测效果。Zivkovic et al.在[3]中对GMM理论做了全面的论述，使得GMM理论的使用不仅金限于计算机视觉领域。并且该作者在[4]将该理论进一步具体到背景减图的前景检测中来，即加入了参数估计的先验知识，取得了很好的效果和稳定性。
最近几年陆续有学者对GMM的背景见图中的应用做了更深一步的研究，其代表性贡献见论文[5][6]。
实现过程
本文中主要是根据[2][4]中提出的算法，采用其中的更新方差来根性模型中的3个参数，最后结合用opencv基本底层函数实现该算法。其主要过程如下：
- 首先将每个高斯的均值,方差，权值都设置为0，即初始化个模型矩阵参数。
- 采用视频中的T帧用来训练GMM模型。对每一个像素而言，建立其模型个数最大GMM_MAX_COMPONT个高斯的GMM模型。当第一个像素来，单独为其在程序中设置好其固定的初始均值，方差，并且权值设置为1。
- 非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则任务属于该高斯。此时用如下方程进行更新：
4. 当到达训练的帧数T后，进行不同像素点GMM个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使
这样就可以很好的消除训练过程中的噪声点。
5. 在测试阶段，对新来像素点的值与B个高斯中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。并且只要其中有一个高斯分量满足该条件就认为是前景。前景赋值为255，背景赋值为0。这样就形成了一副前景二值图。
6. 由于前景二值图中含有很多噪声，所以采用了形态学的开操作将噪声缩减到0，紧接着用闭操作重建由于开操作丢失的边缘部分的信息。消除了不连通的小噪声点。
上面是该算法实现的大概流程，但是当我们在具体编程时，还是有很多细节的地方需要注意，比如有些参数值的选择。在这里，经过试验将一些常用的参数值声明如下：
- 3个参数的值的更新方差中，取其中的学习率为0.005。也就是说T等于200。
- 定义每个像素的最大混合高斯个数取7。
- 取视频的前200帧进行训练。
- 取Cf为0.3。即满足权值大于0.7的个数为自适应高斯的个数B。
- 训练过程中，需要新建立一个高斯时，其权值取值设为与学习率大小值相等，即0.005。
- 训练过程中，需要新建立一个高斯时，取该高斯的均值为该输入像素值大小本身。方差为15。
- 训练过程中，需要新建立一个高斯时，取该高斯的方差15。
程序流程框图
该工程的流程框图如下图所示：
试验结果
本次试验的数据为摇摆的树枝作为背景，Waving Trees，其来源网址为：http://research.microsoft.com/en-us/um/people/jckrumm/WallFlower/TestImages.htm 由于该数据是286张bmp格式的图片，所以用的前200张图片来作为GMM参数训练，后186张作为测试。训练的过程中树枝被很大幅度的摆动，测试过程中有行人走动，该行人是需要迁就检测的部分。
下图为训练过程中动态背景截图
由上图可以看出，树枝在不断摇摆，可见其背景是动态的。
没有形态学处理的结果如下：
下图是有简单形态学的试验结果：
(上面2幅图的左边为测试原始图片，右图为检测效果图)
总结
通过本次试验，不仅学习到了GMM的相关理论知识，以及背景减图法在前景检测中的应用。更重要的时，对opencv在计算机视觉中的使用更进一步的熟悉了。另外对于目标检测的难点有了更深一层的理解。
参考文献
- Stauffer, C. and W. E. L. Grimson (1999). Adaptive background mixture models for real-time tracking, IEEE.
- KaewTraKulPong, P. and R. Bowden (2001). An improved adaptive background mixture model for real-time tracking with shadow detection.
- Zivkovic, Z. and F. van der Heijden (2004). "Recursive unsupervised learning of finite mixture models." Pattern Analysis and Machine Intelligence, IEEE Transactions on 26(5): 651-656.
- Zivkovic, Z. and F. van der Heijden (2006). "Efficient adaptive density estimation per image pixel for the task of background subtraction." Pattern recognition letters 27(7): 773-780.
- Bouzerdoum, A., A. Beghdadi, et al. (2010). "On the analysis of background subtraction techniques using Gaussian mixture models."
- Lin, H. H., J. H. Chuang, et al. (2011). "Regularized background adaptation: a novel learning rate control scheme for Gaussian mixture modeling." Image Processing, IEEE Transactions on 20(3): 822-836.
后续改进
需要改进的地方：
1. 程序运行的速度太慢，很多参数都是浮点数，每个像素都要建立一个gmm，gmm个数本身比较多，所以训练过程中速度比较慢，代码需要优化。
2. 最后生成的前景图需要用连通域处理算法进行修整，即需要形态学操作，然后找出连通域大小满足要求的轮廓，用多边形拟合来进行处理。这种算法在《learning opencv》一书中有提到。后续有时间加入该算法，效果会好很多的。
附录：工程代码
1 //gmm.cpp : 定义控制台应用程序的入口点。
2 #include "stdafx.h"
3 #include "cv.h"
4 #include "highgui.h"
5 #include <opencv2/imgproc/imgproc.hpp>
6 #include <opencv2/core/core.hpp>
7 #include <opencv2/highgui/highgui.hpp>
8 #include <stdio.h>
9 #include <iostream>
10
11 using namespace cv;
12 using namespace std;
13
14 //定义gmm模型用到的变量
15 #define GMM_MAX_COMPONT 6
16 #define GMM_LEARN_ALPHA 0.005 //该学习率越大的话，学习速度太快，效果不好
17 #define GMM_THRESHOD_SUMW 0.7 //如果取值太大了的话，则更多树的部分都被检测出来了
18 #define END_FRAME 200
19
20 bool pause=false;
21
22 Mat w[GMM_MAX_COMPONT];
23 Mat u[GMM_MAX_COMPONT];
24 Mat sigma[GMM_MAX_COMPONT];
25 Mat fit_num,gmask,foreground;
26 vector<Mat> output_m;
27 Mat output_img;
28
29 float temp_w,temp_sigma;
30 unsigned char temp_u;
31 int i=-1;
32
33
34 //For connected components:
35 int CVCONTOUR_APPROX_LEVEL = 2; // Approx.threshold - the bigger it is, the simpler is the boundary
36 int CVCLOSE_ITR = 1;
37
38 //Just some convienience macros
39 #define CV_CVX_WHITE CV_RGB(0xff,0xff,0xff)
40 #define CV_CVX_BLACK CV_RGB(0x00,0x00,0x00)
41
42 //gmm整体初始化函数声明
43 void gmm_init(Mat img);
44
45 //gmm第一帧初始化函数声明
46 void gmm_first_frame(Mat img);
47
48 //gmm训练过程函数声明
49 void gmm_train(Mat img);
50
51 //对输入图像每个像素gmm选择合适的个数函数声明
52 void gmm_fit_num(Mat img);
53
54 //gmm测试函数的实现
55 void gmm_test(Mat img);
56
57 //连通域去噪函数声明
58 void find_connected_components(Mat img);
59 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers);
60
61 int main(int argc, const char* argv[])
62 {
63 Mat img,img_gray;
64 char str_num[5];
65
66
67 // char *str_num;//why does this definition not work?
68 String str="WavingTrees/b00";//string,the ‘s‘ can be a captial or lower-caseletters
69
70 /****read the first image,and reset the array w,u,sigma****/
71 img=imread("WavingTrees/b00000.bmp");
72 if(img.empty())
73 return -1;
74
75 output_img=Mat::zeros(img.size(),img.type());
76 cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
77
78 /****initialization the three parameters ****/
79 gmm_init(img_gray);
80 fit_num=Mat(img.size(),CV_8UC1,-1);//初始化为1
81 gmask=Mat(img.size(),CV_8UC1,-1);
82 foreground=img.clone();
83 split(img,output_m);
84
85 output_m[0]=Mat::zeros(img.size(),output_m[0].type());
86 output_m[1]=Mat::zeros(img.size(),output_m[0].type());
87 output_m[2]=Mat::zeros(img.size(),output_m[0].type());
88
89 namedWindow("src",WINDOW_AUTOSIZE);
90 namedWindow("gmask",WINDOW_AUTOSIZE);
91
92 //在定义视频输出对象时，文件名一定后面要加后缀，比如这里的.avi,否则是输出不了视频的！并且这里只能是avi格式的，当参数为(‘P‘,‘I‘,‘M‘,‘1‘)时
93 VideoWriter output_src("src.avi",CV_FOURCC(‘P‘,‘I‘,‘M‘,‘1‘),20,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
94 //VideoWriter output_src("src.avi",CV_FOURCC(‘M‘,‘J‘,‘P‘,‘G‘),5,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
95 VideoWriter output_dst("dst.avi",CV_FOURCC(‘P‘,‘I‘,‘M‘,‘1‘),20,Size(160,120),1);//这样输出的是3个通道的数据
96 while(1)
97
98 {
99 if(!pause)
100 {
101 /****read image from WavingTrees****/
102 i++;
103 _itoa_s(i,str_num,10);//the latest name is _itoa_s or _itoa,not the itoa,although iota can be used,deprecated
104 if(i<10)
105 str+="00";
106 else if(i<100)
107 str+="0";
108 else if(i>285)//we used the first 285 frames to learn the gmm model
109 i=-1;
110 str+=str_num;
111 str+=".bmp";
112
113 img=imread(str);
114 if(img.empty())
115 break;
116 str="WavingTrees/b00";//after read,str must be reseted ;
117
118 cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image
119
120 /****when it is the first frame,set the default parameter****/
121 if(1==i)
122 {
123 gmm_first_frame(img_gray);
124 }
125
126 //the train of gmm phase
127 //if(1<i&&i<5&&i!=3)//由此可知当i大于等于3以后，就会一直出现错误，且错误在内部排序的部分
128 if(1<i<END_FRAME)
129 {
130 gmm_train(img_gray);
131 }//end the train phase
132
133 cout<<i<<endl;
134 /****chose the fitting number of component in gmm****/
135 if(END_FRAME==i)
136 {
137 gmm_fit_num(img_gray);
138 // cout<<fit_num<<endl;//其输出值有4个高斯的，但也有0个高斯的，why？照理说不可能的啊！
139 }
140
141 /****start the test phase****/
142 if(i>=END_FRAME)
143 {
144 output_src<<img;
145 gmm_test(img_gray);
146 find_connected_components(img_gray);
147
148 output_m[0]=gmask.clone();
149 output_m[1]=gmask.clone();
150 output_m[2]=gmask.clone();
151
152 merge(output_m,output_img);
153 output_dst<<output_img;
154 }
155 if(285==i)
156 {
157 return 0;
158 }
159 imshow("src",img);
160 imshow("gmask",gmask);
161 }
162
163 char c=(char)waitKey(1);
164 if(c==27)//if press the ESC key,the exit the proggram
165 break;
166 if(c==‘ ‘)
167 // pause=~pause;//if use ‘~‘,then the pause key cannot work,why?
168 pause=!pause;
169 }
170 return 0;
171 }
172
173
174 //gmm初始化函数实现
175 void gmm_init(Mat img)
176 {
177 /****initialization the three parameters ****/
178 for(int j=0;j<GMM_MAX_COMPONT;j++)
179 {
180 w[j]=Mat(img.size(),CV_32FC1,0.0);//CV_32FC1本身体现了正负符号
181 u[j]=Mat(img.size(),CV_8UC1,-1);//为什么这里赋值为0时，后面的就一直出错？暂时还不知道原因，先赋值-1，其实内部存储的也是0
182 sigma[j]=Mat(img.size(),CV_32FC1,0.0);//float类型
183 }
184
185 //为什么一下语句不能放在这个函数里面呢
186 // output_m[0]=Mat(img.size(),CV_8UC1,0);
187 // output_m[1]=Mat(img.size(),CV_8UC1,0);
188 // output_m[2]=Mat(img.size(),CV_8UC1,0);
189 }
190
191
192 //gmm第一帧初始化函数实现
193 void gmm_first_frame(Mat img)
194 {
195 for(int m=0;m<img.rows;m++)
196 for(int n=0;n<img.cols;n++)
197 {
198 w[0].at<float>(m,n)=1.0;
199
200 //if the pixvel is gray-clever,then we should use unsigned char,not the unsigned int
201 u[0].at<unsigned char>(m,n)=img.at<unsigned char>(m,n);// 一定要注意其类型转换，否则会得不得预期的结果
202 sigma[0].at<float>(m,n)=15.0;//opencv 自带的gmm代码中用的是15.0
203
204 for(int k=1;k<GMM_MAX_COMPONT;k++)
205 {
206 /****when assigment this,we must be very carefully****/
207 w[k].at<float>(m,n)=0.0;
208 u[k].at<unsigned char>(m,n)=-1;
209 sigma[k].at<float>(m,n)=15.0;//防止后面排序时有分母为0的情况
210 }
211 }
212 }
213
214
215 //gmm训练过程函数实现
216 void gmm_train(Mat img)
217 {
218 for(int m=0;m<img.rows;m++)
219 for(int n=0;n<img.cols;n++)
220 {
221 int k=0;
222 int nfit=0;
223 for(;k<GMM_MAX_COMPONT;k++)
224 {
225 // if(w[k].at<float>(m,n)!=0)//只有在权值不为0的情况下才进行比较
226 // {
227 int delam=abs(img.at<unsigned char>(m,n)-u[k].at<unsigned char>(m,n));//防止溢出
228 long dis=delam*delam;
229 if(dis<3.0*sigma[k].at<float>(m,n))//the present pixpel is fit the component
230 {
231 /****update the weight****/
232 w[k].at<float>(m,n)=w[k].at<float>(m,n)+GMM_LEARN_ALPHA*(1-w[k].at<float>(m,n));
233
234 /****update the average****/
235 u[k].at<unsigned char>(m,n)=u[k].at<unsigned char>(m,n)+(GMM_LEARN_ALPHA/w[k].at<float>(m,n))*delam;
236
237 /****update the variance****/
238 sigma[k].at<float>(m,n)=sigma[k].at<float>(m,n)+(GMM_LEARN_ALPHA/w[k].at<float>(m,n))*(dis-sigma[k].at<float>(m,n));
239
240 // break;
241 }
242 else{
243 w[k].at<float>(m,n)=w[k].at<float>(m,n)+GMM_LEARN_ALPHA*(0-w[k].at<float>(m,n));
244 nfit++;
245 }
246 // }
247 }
248
249 ////训练过程加速算法
250 //for(int bb=k+1;bb<GMM_MAX_COMPONT;bb++)
251 //{
252 // w[bb].at<float>(m,n)=w[bb].at<float>(m,n)+GMM_LEARN_ALPHA*(0-w[bb].at<float>(m,n));
253 // nfit++;
254 //}
255
256 //对gmm各个高斯进行排序,从大到小排序,排序依据为w/sigma
257 for(int kk=0;kk<GMM_MAX_COMPONT;kk++)
258 {
259 for(int rr=kk;rr<GMM_MAX_COMPONT;rr++)
260 {
261 //怎样才能做到gmm结构体整体排序呢？
262 if(w[rr].at<float>(m,n)/sigma[rr].at<float>(m,n)>w[kk].at<float>(m,n)/sigma[kk].at<float>(m,n))
263 {
264 //权值交换
265 temp_w=w[rr].at<float>(m,n);
266 w[rr].at<float>(m,n)=w[kk].at<float>(m,n);
267 w[kk].at<float>(m,n)=temp_w;
268
269 //均值交换
270 temp_u=u[rr].at<unsigned char>(m,n);
271 u[rr].at<unsigned char>(m,n)=u[kk].at<unsigned char>(m,n);
272 u[kk].at<unsigned char>(m,n)=temp_u;
273
274 //方差交换
275 temp_sigma=sigma[rr].at<float>(m,n);
276 sigma[rr].at<float>(m,n)=sigma[kk].at<float>(m,n);
277 sigma[kk].at<float>(m,n)=temp_sigma;
278 }
279 }
280 }
281
282 //****如果没有满足条件的高斯，则重新开始算一个高斯分布****/
283 if(nfit==GMM_MAX_COMPONT&&0==w[GMM_MAX_COMPONT-1].at<float>(m,n))//if there is no exit component fit,then start a new componen
284 {
285 //不能写为for(int h=0;h<MAX_GMM_COMPONT&&((0==w[h].at<float>(m,n)));h++)，因为这样明显h不会每次都加1
286 for(int h=0;h<GMM_MAX_COMPONT;h++)
287 {
288 if((0==w[h].at<float>(m,n)))
289 {
290 w[h].at<float>(m,n)=GMM_LEARN_ALPHA;//按照论文的参数来的
291 u[h].at<unsigned char>(m,n)=(unsigned char)img.at<unsigned char>(m,n);
292 sigma[h].at<float>(m,n)=15.0;//the opencv library code is 15.0
293 for(int q=0;q<GMM_MAX_COMPONT&&q!=h;q++)
294 {
295 /****update the other unfit‘s weight,u and sigma remain unchanged****/
296 w[q].at<float>(m,n)*=1-GMM_LEARN_ALPHA;//normalization the weight,let they sum to 1
297 }
298 break;//找到第一个权值不为0的即可
299 }
300 }
301 }
302 //如果GMM_MAX_COMPONT都曾经赋值过，则用新来的高斯代替权值最弱的高斯，权值不变，只更新均值和方差
303 else if(nfit==GMM_MAX_COMPONT&&w[GMM_MAX_COMPONT-1].at<float>(m,n)!=0)
304 {
305 u[GMM_MAX_COMPONT-1].at<unsigned char>(m,n)=(unsigned char)img.at<unsigned char>(m,n);
306 sigma[GMM_MAX_COMPONT-1].at<float>(m,n)=15.0;//the opencv library code is 15.0
307 }
308
309
310 }
311 }//end the train phase
312
313
314 //对输入图像每个像素gmm选择合适的个数
315 void gmm_fit_num(Mat img)
316 {
317 //float sum_w=0.0;//重新赋值为0，给下一个像素做累积
318 for(int m=0;m<img.rows;m++)
319 for(int n=0;n<img.cols;n++)
320 {
321 float sum_w=0.0;//重新赋值为0，给下一个像素做累积
322 //chose the fittest number fit_num
323 for(unsigned char a=0;a<GMM_MAX_COMPONT;a++)
324 {
325 //cout<<w[a].at<float>(m,n)<<endl;
326 sum_w+=w[a].at<float>(m,n);
327 if(sum_w>=GMM_THRESHOD_SUMW)//如果这里THRESHOD_SUMW=0.6的话，那么得到的高斯数目都为1，因为每个像素都有一个权值接近1
328 {
329 fit_num.at<unsigned char>(m,n)=a+1;
330 break;
331 }
332 }
333 }
334 }
335
336
337 //gmm测试函数的实现
338 void gmm_test(Mat img)
339 {
340 for(int m=0;m<img.rows;m++)
341 for(int n=0;n<img.cols;n++)
342 {
343 unsigned char a=0;
344 for(;a<fit_num.at<unsigned char>(m,n);a++)
345 {
346 //如果对sigma取根号的话，树枝当做前景的概率会更大，不过人被检测出来的效果也更好些；用2相乘，不用开根号效果还不错
347 // if(abs(img.at<unsigned char>(m,n)-u[a].at<unsigned char>(m,n))<(unsigned char)(2*(sigma[a].at<float>(m,n))))
348 if(abs(img.at<unsigned char>(m,n)-u[a].at<unsigned char>(m,n))<(unsigned char)(2.5*(sigma[a].at<float>(m,n))))
349 {
350 gmask.at<unsigned char>(m,n)=1;//背景
351 break;
352 }
353 }
354 if(a==fit_num.at<unsigned char>(m,n))
355 gmask.at<unsigned char>(m,n)=255;//前景
356 }
357 }
358
359 //连通域去噪函数实现
360 void find_connected_components(Mat img)
361 {
362 morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
363 // morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
364 }
365
366 ////连通域去噪函数实现
367 //void find_connected_components(Mat img)
368 //{
369 // morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
370 // morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
371 //// erode(gmask,gmask,Mat());//只腐蚀是不行的，人来了也被腐蚀掉了
372 //
373 // vector<vector<Point>> contours;//由点向量组成的向量，所以有2个层次结构
374 // vector<Vec4i> hierarchy;//typedef Vec<int,4>Vec4i;即由4个整数组成的向量
375 //
376 // //找到gmask的轮廓，存储在contours中，其拓扑结构存储在hierarchy中，且仅仅找出最外面的轮廓，用压缩算法只存储水平，垂直，斜对角线的端点
377 // //其中暗含了hierarchy[i][2]=hierarchy[3]=-1,即其父轮廓和嵌套轮廓不用考虑
378 // findContours(gmask,contours,hierarchy,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
379 // if(contours.size()==0)
380 // return;
381 //
382 // int idex=0;
383 // for(idex=0;idex<contours.size();idex++)
384 // {
385 // const vector<Point>& c=contours[idex];
386 //// const vector<Point>& cnull::zeros();
387 // double len=arcLength(c,false);//求出轮廓的周长，并不一定要求其是封闭的
388 // double q=(img.rows+img.cols)/4;
389 // if(q>=len)
390 // {
391 // const vector<Point> &cnew=contours[idex];
392 // // Mat mcnew=Mat(cnew);
393 // // Mat mcnew;
394 // // approxPolyDP(Mat(c),mcnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
395 // // approxPolyDP(Mat(c),Mat(cnew),CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
396 // approxPolyDP(Mat(c),cnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
397 // // cnew=vector<Point>(mcnew);
398 // // contours[idex]=cnew;
399 // }
400 //// else contours[idex]=vector<Point(0,0,0)>;
401 // }
402 //
403 //}
404
405 ///////////////////////////////////////////////////////////////////////////////////////////
406 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
407 // This cleans up the forground segmentation mask derived from calls to cvbackgroundDiff
408 //
409 // mask Is a grayscale (8 bit depth) "raw" mask image which will be cleaned up
410 //
411 // OPTIONAL PARAMETERS:
412 // poly1_hull0 If set, approximate connected component by (DEFAULT) polygon, or else convex hull (0)
413 // perimScale Len = image (width+height)/perimScale. If contour len < this, delete that contour (DEFAULT: 4)
414 // num Maximum number of rectangles and/or centers to return, on return, will contain number filled (DEFAULT: NULL)
415 // bbs Pointer to bounding box rectangle vector of length num. (DEFAULT SETTING: NULL)
416 // centers Pointer to contour centers vectore of length num (DEFULT: NULL)
417 //
418 //void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
419 //{
420 // static CvMemStorage* mem_storage = NULL;
421 // static CvSeq* contours = NULL;
422 //// static CvSeq** firstContour;
423 //
424 // //CLEAN UP RAW MASK
425 // //开运算作用：平滑轮廓，去掉细节,断开缺口
426 // cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_OPEN, CVCLOSE_ITR );//对输入mask进行开操作，CVCLOSE_ITR为开操作的次数，输出为mask图像
427 // //闭运算作用：平滑轮廓，连接缺口
428 // cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_CLOSE, CVCLOSE_ITR );//对输入mask进行闭操作，CVCLOSE_ITR为闭操作的次数，输出为mask图像
429 //
430 // //FIND CONTOURS AROUND ONLY BIGGER REGIONS
431 // if( mem_storage==NULL ) mem_storage = cvCreateMemStorage(0);
432 // else cvClearMemStorage(mem_storage);
433 //
434 // //CV_RETR_EXTERNAL=0是在types_c.h中定义的，CV_CHAIN_APPROX_SIMPLE=2也是在该文件中定义的
435 // CvContourScanner scanner = cvStartFindContours(mask,mem_storage,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
436 //// CvContourScanner scanner = cvFindContours(mask,mem_storage,firstContour,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
437 // CvSeq* c;
438 // int numCont = 0;
439 // while( (c = cvFindNextContour( scanner )) != NULL )
440 // {
441 // double len = cvContourPerimeter( c );
442 // double q = (mask->height + mask->width) /perimScale; //calculate perimeter len threshold
443 // if( len < q ) //Get rid of blob if it‘s perimeter is too small
444 // {
445 // cvSubstituteContour( scanner, NULL );
446 // }
447 // else //Smooth it‘s edges if it‘s large enough
448 // {
449 // CvSeq* c_new;
450 // if(poly1_hull0) //Polygonal approximation of the segmentation
451 // c_new = cvApproxPoly(c,sizeof(CvContour),mem_storage,CV_POLY_APPROX_DP, CVCONTOUR_APPROX_LEVEL,0);
452 // else //Convex Hull of the segmentation
453 // c_new = cvConvexHull2(c,mem_storage,CV_CLOCKWISE,1);
454 // cvSubstituteContour( scanner, c_new );
455 // numCont++;
456 // }
457 // }
458 // contours = cvEndFindContours( &scanner );
459 //
460 // // PAINT THE FOUND REGIONS BACK INTO THE IMAGE
461 // cvZero( mask );
462 // IplImage *maskTemp;
463 // //CALC CENTER OF MASS AND OR BOUNDING RECTANGLES
464 // if(num != NULL)
465 // {
466 // int N = *num, numFilled = 0, i=0;
467 // CvMoments moments;
468 // double M00, M01, M10;
469 // maskTemp = cvCloneImage(mask);
470 // for(i=0, c=contours; c != NULL; c = c->h_next,i++ )
471 // {
472 // if(i < N) //Only process up to *num of them
473 // {
474 // cvDrawContours(maskTemp,c,CV_CVX_WHITE, CV_CVX_WHITE,-1,CV_FILLED,8);
475 // //Find the center of each contour
476 // if(centers != NULL)
477 // {
478 // cvMoments(maskTemp,&moments,1);
479 // M00 = cvGetSpatialMoment(&moments,0,0);
480 // M10 = cvGetSpatialMoment(&moments,1,0);
481 // M01 = cvGetSpatialMoment(&moments,0,1);
482 // centers[i].x = (int)(M10/M00);
483 // centers[i].y = (int)(M01/M00);
484 // }
485 // //Bounding rectangles around blobs
486 // if(bbs != NULL)
487 // {
488 // bbs[i] = cvBoundingRect(c);
489 // }
490 // cvZero(maskTemp);
491 // numFilled++;
492 // }
493 // //Draw filled contours into mask
494 // cvDrawContours(mask,c,CV_CVX_WHITE,CV_CVX_WHITE,-1,CV_FILLED,8); //draw to central mask
495 // } //end looping over contours
496 // *num = numFilled;
497 // cvReleaseImage( &maskTemp);
498 // }
499 // //ELSE JUST DRAW PROCESSED CONTOURS INTO THE MASK
500 // else
501 // {
502 // for( c=contours; c != NULL; c = c->h_next )
503 // {
504 // cvDrawContours(mask,c,CV_CVX_WHITE, CV_CVX_BLACK,-1,CV_FILLED,8);
505 // }
506 // }
507 //}
时间： 2024-10-15 16:26:55