OpenCV - C++实战（06） — Grabcut图像分割_opencv c++ grabcut对图片进行处理

目录

第6章  图像分割

6.1 Grabcut实现

6.1.1 定义前景和背景

6.1.2   cv::grabCut()

6.1.3 cv::compare()

6.1.4 算法实现
​​​​​​​

Github代码地址：GitHub - Qinong/OpenCV

第6章  图像分割

        Opencv提供了一种常用的图像分割算法Grabcut。Grabcut算法比较复杂，计算量也很大，但有很高的精确度。

6.1 Grabcut实现

6.1.1 定义前景和背景

        cv::grabCut函数的用法非常简单，只需要在输入图像做上 “属于背景”或“属于前最” 的标记即可。根据这个局部标记，算法将计算出整幅图像的前景/背景分割线。

        可以通过定义矩形指定输人图像局部前景/背景标签的。

// 定义一个带边框的矩形
// 矩形外部的像素会被标记为背景
cv::Rect rectangle(100,120,650,350);

6.1.2   cv::grabCut()

        GrabCut算法的工作原理是：参考文章

接受输入图像与任一（1）的边界框，我们想段或（2）所涉及的图像中指定的对象的位置掩模即近似分割

        反复执行以下步骤：

        步骤1：通过高斯混合模型（GMM）估算前景和背景的颜色分布

        步骤2：在像素标签上构造一个马尔可夫随机场（即，前景与背景）

        步骤3：应用图割优化以进行最终细分

         GrabCut是Graph Cut的改进版，是迭代的Graph Cut。OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。与Graph cut指定两个顶点不同，grabcut只需指定一个粗略的能将目标框住的边框就可以完成良好的分割。

        虽然神经网络的分割已经占据了主流，但是再很多情况下并不需要如此大力气的训练，所以GrabCut也是可选项之一。

void grabCut( InputArray img, 
              InputOutputArray mask,
              Rect rect,                        
              InputOutputArray bgdModel, 
              InputOutputArray fgdModel,
              int iterCount, 
              int mode = GC_EVAL );

• img：输入图像
• mask：得到掩码矩阵,其值为以下四种

             cv::GC_BGD  == 0//表示是背景

             cv::GC_FGD  == 1//表示是前景

              cv::GC_PR_BGD  == 2//表示可能是背景

              cv::GC_PR_FGD  == 3//表示可能是前景

• rect：指定的包含目标对象的矩阵
• bdgModel：背景模型，如果为null，函数内部会自动创建一个bgdModel；bgdModel必须是单通道浮点型（CV_32FC1）图像，且行数只能为1，列数只能为13*5
• fgdModel：前景模型，如果为null，函数内部会自动创建一个fgdModel；fgdModel必须是单通道浮点型（CV_32FC1）图像，且行数只能为1，列数只能为13x5；（bgdModel , fgdModel可以在 cv::GC_INIT_WITH_MASK下使用，可以在以往迭代的基础上用它们保存的信息继续迭代）
• iterCount：指定迭代次数
• mode：有三个值可用

          cv::GC_INIT_WITH_RECT//用矩阵初始化grabCut

          cv::GC_INIT_WITH_MASK//用掩码初始化grabCut

          cv::GC_EVAL//执行分割

6.1.3 cv::compare()

        cv::compare()主要用于两个图像之间进行逐像素的比较，并输出比较的结果。具体用法如下：

bool cv::compare(cv::InputArray src1, // 输入数组1
                 cv::InputArray src2, // 输入数组2
                 cv::OutputArray dst, // 输出数组
                 int cmpop // 比较操作子,见注释 

•     cmpop：比较操作子

        cv::CMP_EQ    src==src1
        cv::CMP_GT    src>src1
        cv::CMP_GE    src>=src1
        cv::CMP_LT    src<src1
        cv::CMP_LE    src<=src1
        cv::CMP_NE    src!=src1

6.1.4 算法实现

int main()
{
	cv::Mat image= cv::imread("Ferrar_F8.png");
	if (!image.data)
		return 0; 
	cv::namedWindow("Image");
	cv::imshow("Image",image);
 
	// 定义边框矩形
	cv::Rect rectangle(100,120,650,350);
	// 定义前景、背景和分割结果
	cv::Mat bgModel,fgModel,result; 
 
	// GrabCut分割
	cv::grabCut(image,
                result,
                rectangle,
                bgModel,
                fgModel, 
                5,        
                cv::GC_INIT_WITH_RECT); // use rectangle
 
	// 标记可能属于前景的区域
	cv::compare(result,cv::GC_PR_FGD,result,cv::CMP_EQ);
	// or:
    //	result= result&1;
 
	// 创建前景图像
	cv::Mat foreground(image.size(), CV_8UC3, cv::Scalar(255, 255, 255));
	image.copyTo(foreground,result); // 复制前景图像
 
	// 在原图像绘制矩形区域
	cv::rectangle(image, rectangle, cv::Scalar(200,0,200),4);
	cv::namedWindow("Rectangle");
	cv::imshow("Rectangle",image);
	cv::namedWindow("Foreground");
	cv::imshow("Foreground",foreground);
 
	cv::waitKey();
	return 0;
}