OpenCV机器学习MeanShift算法笔记分享(算法区域)

MeanShift算法

Mean shift 是一种机器学习算法，并不仅仅局限于图像上的应用。关于 Mean shift 算法介绍的书和文章很多，这里就不多介绍了。简单的说，Meanshift 算法是一种迭代算法，需要给一个初始的区域，然后这个算法会反复的调整这个区域，使得这个区域最吻合我们期望的特征。

OpenCV 中有两处用到了 Mean Shift 。分别是：

pyrMeanShiftFiltering

meanShift

这里只介绍第二个函数的使用方法。

我们的原始图像还是上次那个向日葵的图像，我们选中其中一朵向日葵来计算 Histogram，但是这次我们计算 Hue 通道的 Histogram：

之后用这个直方图数据在另外一个图像中用 Meanshift 算法去找向日葵。

下面是代码，首先加载原始图像。在原始图像中找到向日葵，计算向日葵区域的 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);

之后加载我们要探测的图像，做 backproject，得到概率分布图。

 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);

最后 Meanshift 就是在右图中找出概率最大的那个区域。对于这个问题来说，其实做个遍历就行。

meanshift 相比遍历效率更高。但是如果初始区域选的不好，有可能会找不到向日葵所在的区域。

所以meanshift 并不是万能的。

 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);

下面是输出结果，蓝框是我们随便选的初始区域，红框是得到的结果。可以看到准确的找到了向日葵所在区域。

如果我们初始区域选的不太好，就会找不到向日葵。比如下面的代码。

 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);