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 CvWSNode
typedef 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 void
cvWatershed( 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 );
}版权声明：本文为博主原创文章，未经博主允许不得转载。
时间： 2024-08-08 09:23:23