matlab qtdecomp,Opencv图像识别从零到精通(25)------区域分裂与合并

区域分割一般认为有漫水填充,区域分裂与合并,分水岭,这篇是中间的区域分裂和合并。

区域分裂合并算法的基本思想是先确定一个分裂合并的准则,即区域特征一致性的测度,当图像中某个区域的特征不一致时就将该区域分裂成4个相等的子区域,当相邻的子区域满足一致性特征时则将它们合成一个大区域,直至所有区域不再满足分裂合并的条件为止.当分裂到不能再分的情况时,分裂结束,然后它将查找相邻区域有没有相似的特征,如果有就将相似区域进行合并,最后达到分割的作用。在一定程度上区域生长和区域分裂合并算法有异曲同工之妙,互相促进相辅相成的,区域分裂到极致就是分割成单一像素点,然后按照一定的测量准则进行合并,在一定程度上可以认为是单一像素点的区域生长方法。区域生长比区域分裂合并的方法节省了分裂的过程,而区域分裂合并的方法可以在较大的一个相似区域基础上再进行相似合并,而区域生长只能从单一像素点出发进行生长(合并)。

反复进行拆分和聚合以满足限制条件的算法。

令R表示整幅图像区域并选择一个谓词P。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域,直到对任何区域Ri,有P(Ri)=TRUE。这里是从整幅图像开始。如果P(R)=FALSE,就将图像分割为4个区域。对任何区域如果P的值是FALSE.就将这4个区域的每个区域再次分别分为4个区域,如此不断继续下去。这种特殊的分割技术用所谓的四叉树形式表示最为方便(就是说,每个非叶子节点正好有4个子树),这正如图10.42中说明的树那样。注意,树的根对应于整幅图像,每个节点对应于划分的子部分。此时,只有R4进行了进一步的再细分。

0_12763137789ok0.gif

如果只使用拆分,最后的分区可能会包含具有相同性质的相邻区域。这种缺陷可以通过进行拆分的同时也允许进行区域聚合来得到矫正。就是说,只有在P(Rj∪Rk)=TRUE时,两个相邻的区域Rj和Rk才能聚合。

前面的讨论可以总结为如下过程。在反复操作的每一步,我们需要做:

l.对于任何区域Ri,如果P(Ri)=FALSE,就将每个区域都拆分为4个相连的象限区域。

2.将P(Rj∪Rk)=TRUE的任意两个相邻区域Rj和Rk进行聚合。

3.当再无法进行聚合或拆分时操作停止。

可以对前面讲述的基本思想进行几种变化。例如,一种可能的变化是开始时将图像拆分为一组图象块。然后对每个块进一步进行上述拆分,但聚合操作开始时受只能将4个块并为一组的限制。这4个块是四叉树表示法中节点的后代且都满足谓词P。当不能再进行此类聚合时,这个过程终止于满足步骤2的最后的区域聚合。在这种情况下,聚合的区域可能会大小不同。这种方法的主要优点是对于拆分和聚合都使用同样的四叉树,直到聚合的最后一步。

例10.17拆分和聚合

图10.43(a)显示了一幅简单的图像。如果在区域Ri内至少有80%的像素具有zj-mi≤2σi的性质,就定义P(Ri)=TRUE,这里zj是Ri内第j个像素的灰度级,mi是区域Ri的灰度级均值,σi是区域Ri内的灰度级的标准差。如果在此条件下,P(Ri)=TRUE,则设置Ri内的所有像素的值等于mi。拆分和聚合使用前速算法的要点完成。将这种技术应用于图10.43(a)所得结果示于图10.43(b)。请注意,图像分割效果相当好。示于图10.43(c)中的图像是通过对图10.43(a)进行门限处理得到的,门限值选在直方图中两个主要的尖峰之间的中点。经过门限处理,图像中生成的阴影(和叶子的茎)被错误地消除了。

0_1276313783KA6R.gif

如前面的例子中所使用的属性那样,我们试图使用基于区域中像素的均值和标准差的某些特性对区域的纹理进行量化(见11.3.3节中关于纹理的讨论)。纹理分割的概念是以在谓词P(Ri)中使用有关纹理的量度为基础的。就是说,通过指定基于纹理内容的谓词,我们可以使用本节中讨论的任何方法进行纹理分割。

0_1276313792BScD.gif

1. 把一幅图像分成4份,计算每一份图像的最大灰度值与最小灰度值的差, 如果差在误差范围值外,则该份图像继续分裂。

2. 对于那些不需要分裂的那些份图像可以对其进行阈值切割了,例如某一块图像的最大灰度大于某个值,则该块图像变成255,否则变为0。

// 代码

// 区域分裂合并的图像分割

// nOffSetLne是行偏移量

// 由于分裂的层数太多了, 使用递归将使内存空间堆栈溢出

// 解决方法是使用一个堆栈对要分裂的块入栈

// 使用堆栈的方法类似在"区域生长"的实现方法

#include

struct SplitStruct

{

unsigned int nWidth; // 这一块图像的宽度

unsigned int nHeigh; // 这一块图像的高度

unsigned int nOffSetWidth; // 相对源图像数据的偏移宽度

unsigned int nOffSetHeigh; // 相对源图像数据的偏移高度

};

void AreaSplitCombineEx(BYTE* image0, // 源图像数据

unsigned int nAllWidth, // 源图像的宽度

unsigned int nAllHeigh, // 源图像的高度

unsigned int w, // 这一块图像的宽度

unsigned int h, // 这一块图像的高度

unsigned int nOffSetWidth, // 相对源图像数据的偏移宽度

unsigned int nOffSetHeigh) // 相对源图像数据的偏移高度

{

std::stack nMyStack;

SplitStruct splitStruct, splitStructTemp;

splitStruct.nWidth = w;

splitStruct.nHeigh = h;

splitStruct.nOffSetWidth = nOffSetWidth;

splitStruct.nOffSetHeigh = nOffSetHeigh;

nMyStack.push(splitStruct);

int i, j;

int nValueS[2][2]; // 用于存储块图像的属性值(该属性值= 该块图像的所有像素灰度值之和除以该块图像所有像素点的数量)

int nAV;

int nWidthTemp[3], nHeightTemp[3], nTemp;

int nWidth, nHeigh;

int n, m, l;

double dOver;

while(!nMyStack.empty())

{

splitStruct = nMyStack.top();

nMyStack.pop();

n = (splitStruct.nOffSetHeigh * nAllWidth + splitStruct.nOffSetWidth); // 该块图像的左上角

// 1. 把图像分成2 * 2 块,

nWidthTemp[0] = 0;

nWidthTemp[2] = (splitStruct.nWidth + 1) / 2;

nWidthTemp[1] = splitStruct.nWidth - nWidthTemp[2];

nHeightTemp[0] = 0;

nHeightTemp[2] = (splitStruct.nHeigh + 1) / 2;

nHeightTemp[1] = splitStruct.nHeigh - nHeightTemp[2];

// 计算每一块图像的属性值

int nValue;

int nValueTemp;

nAV = 0;

for(i = 1; i < 3; ++i)

{

for(j = 1; j < 3; ++j)

{

nValue = 0;

m = (n + nAllWidth * nHeightTemp[i - 1] + nWidthTemp[j - 1]);

for(nHeigh = 0; nHeigh < nHeightTemp[i]; ++nHeigh)

{

for(nWidth = 0; nWidth < nWidthTemp[j]; ++nWidth)

{

l = (m + nAllWidth * nHeigh + nWidth) * 4;

nValueTemp = (0.299 * image0[l] + 0.587 * image0[l + 1] + 0.114 * image0[l + 2]);

// 灰度值之和

nValue += nValueTemp;

}

}

if(nHeightTemp[i] * nWidthTemp[j] == 0)

{

continue;

}

if(nHeightTemp[i] * nWidthTemp[j] == 1)

{

l = m * 4;

if((0.299 * image0[l] + 0.587 * image0[l + 1] + 0.114 * image0[l + 2]) < 125)

// 这个值可以动态设定

{

image0[l] = image0[l + 1] = image0[l + 2] = 0;

image0[l + 3] = 255;

}

else

{

image0[l] = image0[l + 1] = image0[l + 2] = 255;

image0[l + 3] = 255;

}

continue;

}

// 各块图像的灰度平均值(每一块图像的属性值)

nValueS[i - 1][j - 1] = nValue / (nHeightTemp[i] * nWidthTemp[j]);

// 2. 对每一块进行判断是否继续分裂(注意分裂的原则)

// 我这里的分裂原则是: 图像的属性值在属性值平均值的误差范围之内就不分裂

if(nValueS[i - 1][j - 1] < 220) // 灰度平均值少于200 需要继续分裂 // 这里就是分裂准则了

{

splitStructTemp.nWidth = nWidthTemp[j];

splitStructTemp.nHeigh = nHeightTemp[i];

splitStructTemp.nOffSetWidth = splitStruct.nOffSetWidth + nWidthTemp[j - 1];

splitStructTemp.nOffSetHeigh = splitStruct.nOffSetHeigh + nHeightTemp[i - 1];

nMyStack.push(splitStructTemp);

}

else // 合并(直接填充该块图像为黑色)

{

// 3. 如果不需要分裂, 则进行合并

for(nHeigh = 0; nHeigh < nHeightTemp[i]; ++nHeigh)

{

for(nWidth = 0; nWidth < nWidthTemp[j]; ++nWidth)

{

l = (m + nAllWidth * nHeigh + nWidth) * 4;

image0[l] = image0[l + 1] = image0[l + 2] = 255;

image0[l + 3] = 255;

}

}

}

}

}

}

return;

}

该代码的效果也不是太好,主要是分裂准则不好确

区域分裂合并中 最初使用每块图像区域中极大与极小灰度值之差是否在允许的偏差范围来作为均匀性测试准则。 后来均匀性测试准则又被不断的发展。目前,统计检验,如均方误差最小, F检测等都是最常用的均匀性测试准侧方法

看均方误差最小的情况

a4e76b0b1287debfe8b238d1b188ce63.png

其中C是区域R中N个点的平均值。

相对于区域生长而言,区域分割于合并技术不再依赖于种子点的选择与生长顺序。但选用合适的均匀性测试准则P对于提高图像分割质量十分重要,当均匀性测试准则P选择不当时,很容易会引起“方块效应”

参考连接;http://blog.csdn.net/bagboy_taobao_com/article/details/5666109

MATLAB

matlab中给出了qtdecomp().qtsetblk(),下面看看效果

I = imread('liftingbody.png');

S = qtdecomp(I,.27);%以阈值ceil(0.27*255)=69对图像I进行四叉分解

blocks = repmat(uint8(0),size(S));%得到一个和I同尺寸的黑色背景blocks

for dim = [512 256 128 64 32 16 8 4 2 1]; %分块全是2的整数次幂,注①

numblocks = length(find(S==dim)); %有numblocks个尺寸为dim的分块,注③

if (numblocks > 0)

values = repmat(uint8(1),[dim dim numblocks]);%产生一个dim x dim x numblocks的三维1值矩阵(或说

% numblocks个尺寸为dim x dim的1值block)

values(2:dim,2:dim,:) = 0;

blocks = qtsetblk(blocks,S,dim,values);%blocks保存了所有块被替换后的结果。注④

end

end

blocks(end,1:end) = 1;

blocks(1:end,end) = 1;

imshow(I), figure, imshow(blocks,[])

69f3123daa9670c8b084176e1e58936a.png

图像识别算法交流 QQ群:145076161,欢迎图像识别与图像算法,共同学习与交流

原文:http://blog.csdn.net/qq_20823641/article/details/52191210

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/506059.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

去调频体制下的 rd算法_【技术文章】一次调频工作原理及控制 学习1+1

1、基本概念一次调频&#xff1a;PrimaryFrequencyControl。在电网实际运行中&#xff0c;当电量消耗与电量供给不匹配时&#xff0c;即可引起电网频率出现变化较小、变动周期较短的微小分量&#xff0c;这种频率扰动主要靠汽轮发电机组本身的调节系统直接自动调整汽轮机调门完…

tinyxml 读取文本节点_在Windows下使用TinyXML-2读取UTF-8编码包含中文字符的XML文件...

TinyXML-2 是一个用 C 开发的小巧、高效的 XML 解析工具&#xff0c;它在 GitHub 网站上的链接为&#xff1a;https://github.com/leethomason/tinyxml2 。它的结构非常精简&#xff0c;仅由 tinyxml2.h 和 tinyxml2.cpp 两个文件组成。TinyXML-2 能够处理 UTF-8 编码方式的 XM…

矩阵特征值的用matlab,[急求]谁可以用matlab帮我运行求矩阵特征值的命令???...

该楼层疑似违规已被系统折叠 隐藏此楼查看此楼v Columns 1 through 60.0529 0.0228 - 0.0573i 0.0228 0.0573i 0.0222 0.0630i 0.0222 - 0.0630i -0.0630 0.0105i0.2249 -0.0870 0.2003i -0.0870 - 0.2003i 0.1077 0.2366i 0.1077 - 0.2366i 0.1861 0.0350i0.0977 -0.082…

蓝牙版本avrcp怎么选_500元内无线蓝牙耳机测评年轻人的第一款廉价蓝牙耳机怎么选?...

这是马克君的第 90 篇对比测评-建议佩戴耳机体验-?- 10款TWS耳机测评 -TWSTrue Wireless Stereo⇩真无线立体声自AirPods问世以来&#xff0c;真无线耳机的概念开始爆火?。虽然AirPods“真香”&#xff0c;但售价也是真滴贵&#xff0c;所以有没有便宜又好用的真无线蓝牙耳机…

kb4023057安装失败_微软重发Win10 KB4023057 补丁,推动Win10更新

8月29日早间消息&#xff1a;微软已经重新发布了Win10补丁KB4023057&#xff0c;其主要帮助用户升级到 Win10 2004或更新版本。微软表示&#xff0c;重新发布的补丁对 Windows Update 本身的可靠性进行了改进。此外&#xff0c;它还可以通过压缩用户目录中的文件来释放计算机上…

数据库查询语句慢如何优化_常见Mysql的慢查询优化方式

1 概念 MySQL的慢查询&#xff0c;全名是慢查询日志&#xff0c;是MySQL提供的一种日志记录&#xff0c;用来记录在MySQL中响应时间超过阀值的语句。 具体环境中&#xff0c;运行时间超过long_query_time值的SQL语句&#xff0c;则会被记录到慢查询日志中。 long_query_time的默…

pytorch中深度拷贝_pytorch:对比clone、detach以及copy_等张量复制操作

pytorch提供了clone、detach、copy_和new_tensor等多种张量的复制操作&#xff0c;尤其前两者在深度学习的网络架构中经常被使用&#xff0c;本文旨在对比这些操作的差别。1. clone返回一个和源张量同shape、dtype和device的张量&#xff0c;与源张量不共享数据内存&#xff0c…

php显示doc文件乱码,如何解决php doc 乱码问题

PHP下载DOC乱码最近做的一个系统,需要下载doc文件以前的代码下载完成后,打开总是乱码...google咯很久也没有解决办法后面总算搞定必须在Header之前进行清除,即 ob_end_clean()$file_size filesize($logName);ob_end_clean();header("Content-type:application/octet-stre…

c++ 多重背包状态转移方程_Python|动态规划关于0-1背包问题

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于腾讯云&#xff0c;作者&#xff1a;算法与编程之美前言对学算法的同学来说&#xff0c;动态规划是其必学且较为重要的问题之一&#xff1b;…

golang string转int8_golang 中string和int类型相互转换

Notepad&plus;&plus; 默认快捷键Notepad绝对是windows下进行程序编辑的神器之一,要更快速的使用以媲美VIM,必须灵活掌握它的快捷键,下面对notepad默认的快捷键做个整理(其中有颜色的为常用招数): 1 ...DB2执行脚本经常会遇到数据库脚本放在.sql文件中,那么怎么去执…

java 第二天,Java复习第二天

1.idea里jar包和war的区别JAR(JAVA Archive 是类的归档文件)&#xff0c;JAR 文件不仅用于压缩和发布&#xff0c;而且还用于部署和封装库、组件和插件程序&#xff0c;并可被像编译器和 JVM 这样的工具直接使用。简单来说&#xff0c;jar包就像一个插件而且是打包已经写好的类…

qlistview 自定义控件_是否可以在QListView中添加自定义窗口小部件?

I have a large log data (100, 1000, 100000, ... records) and I want to visualize it in the following manner:Which widget (e.g. QListView, QListWidget) should I use and how, in order to stay away from performance and memory problems?解决方案Is it possible …

php 零宽断言,正则表达式之零宽断言实例详解

这篇文章主要介绍了正则表达式之零宽断言,简单介绍了零宽断言的概念、分类及php实现技巧与相关注意事项,需要的朋友可以参考下本文实例讲述了正则表达式之零宽断言。分享给大家供大家参考&#xff0c;具体如下&#xff1a;前言之前我曾写了一篇关于正则表达式的文章(http://www…

element ui 多个子组件_vue前端UI框架,一点都不圆润,盘它!

面对众多vue前端UI框架&#xff0c;看着它们干干巴巴、麻麻赖赖的样子&#xff0c;一点都不圆润&#xff0c;跟我一起盘它&#xff01;Vue移动端UI框架1、Vux&#xff08;star:15620)VUX&#xff08;读音 [v’ju:z]&#xff0c;同 views&#xff09;是基于WeUI和Vue(2.x)开发的…

ios 裁剪圆形头像_iOS开发之裁剪圆形头像

- (void)viewDidLoad {[super viewDidLoad];//加载图片UIImage *image [UIImage imageNamed:"菲哥"];//获取图片尺寸CGSize size image.size;//开启位图上下文UIGraphicsBeginImageContextWithOptions(size, NO, 0);//创建圆形路径UIBezierPath *path [UIBezierPa…

python 图像处理_Python中的十大图像处理工具

文章发布于公号【数智物语】 &#xff08;ID&#xff1a;decision_engine&#xff09;&#xff0c;关注公号不错过每一篇干货。来源 | 大数据文摘(BigDataDigest)编译 | 张秋玥、小七、蒋宝尚本文主要介绍了一些简单易懂最常用的 Python 图像处理库。当今世界充满了各种数据&am…

php函数方法,基于PHP函数的操作方法

如下所示&#xff1a;//简单函数function show(){echo "hello";}show();//有参数的函数function show($a){echo "$a";}show("world");//有返回值的函数function show(){return "小V&#xff0c;你好&#xff01;";}echo show();functi…

centos7安装php5.2yum源操作_Centos7.6使用yum安装PHP7.2

Centos7.6使用yum安装PHP7.21、安装源安装php72w&#xff0c;是需要配置额外的yum源地址的&#xff0c;否则会报错不能找到相关软件包。php高版本的yum源地址&#xff0c;有两部分&#xff0c;其中一部分是epel-release&#xff0c;另外一部分来自webtatic。如果跳过epel-relea…

mysqlclient==1.3.7对应mysql版本_「MySQL」CentOs 7 下安装MySQL

MySQLMySQL 是最流行的关系型数据库管理系统&#xff0c;在 WEB 应用方面 MySQL 是最好的 RDBMS(Relational Database Management System&#xff1a;关系数据库管理系统)应用软件之一YUM 安装mysql1、下载 YUM 仓库文件打开网址&#xff1a; https://dev.mysql.com/downloads/…

php rewinddir(),PHP rewinddir() 函数 ——jQuery中文网

实例打开一个目录&#xff0c;列出其中的文件&#xff0c;充值目录句柄&#xff0c;重新列出其中的文件&#xff0c;然后关闭&#xff1a;$dir "/images/";// Open a directory, and read its contentsif(is_dir($dir)){if ($dh opendir($dir)){//List files in im…