1. 原理

    用meanshift做影象平滑和分割，其實是一回事。其本質是經過迭代，將收斂點的畫素值代替原來的畫素值，從而去除了區域性相似的紋理，同時保留了邊緣等差異較大的特徵。

        OpenCV中自帶有基於meanshift的分割方法pyrMeanShiftFiltering()。由函式名pyrMeanShiftFiltering可知，這裡是將meanshift演算法和影象金字塔相結合用來分割的。

1. <span style="font-size:18px;">void PyrMeanShiftFiltering( const CvArr* srcarr,          
   //輸入影象
2.                     CvArr* dstarr,        //輸出影象
3.                    double  sp,            //顏色域半徑
4.                     double sr,            //空間域半徑
5.                        int max_level,     //金字塔最大層數                    
6.                 CvTermCriteria termcrit )     //迭代終止條件</span>

    要求輸入和輸出影象都是CV_8UC3型別，而且兩者尺寸一樣。實際上並不需要去先定義dstarr，因為程式裡會將srcarr的格式賦值給dstarr。

    termcrit有三種情況，迭代次數、迭代精度和兩者同時滿足。預設為迭代次數為5同時迭代精度為1。termcrit是個結構體，其結構如下

1. <span style="font-size:18px;">typedefstruct CvTermCriteria  
2. {  
3.     int    type;        /*CV_TERMCRIT_ITER或CV_TERMCRIT_EPS 或二者都是*/
4.     int    max_iter;   /* 最大迭代次數 */
5.     double epsilon;    /* 結果的精確性 */
6. }  
7. CvTermCriteria;</span>  

    在實際操作時，為了使分割的結果顯示得更明顯，經常用floodFill( )將不同連通域塗上不同的顏色。具體情況參看下 面的例項。

2. 程式例項

    來看看opencv自帶的一個用meanshift進行分割的例子

    原程式見   “  .\OpenCV249\sources\samples\cpp\meanshift_segmentation.cpp”

1. <span style="font-size:18px;">#include "opencv2/highgui/highgui.hpp"
2. #include "opencv2/core/core.hpp"
3. #include "opencv2/imgproc/imgproc.hpp"
4. #include <iostream>
5. usingnamespace cv;  
6. usingnamespace std;  
7. staticvoid help(char** argv)  
8. {  
9.     cout << "\nDemonstrate mean-shift based color segmentation in spatial pyramid.\n"
10.     << "Call:\n   " << argv[0] << " image\n"
11.     << "This program allows you to set the spatial and color radius\n"
12.     << "of the mean shift window as well as the number of pyramid reduction levels explored\n"
13.     << endl;  
14. }  
15. //This colors the segmentations
16. staticvoid floodFillPostprocess( Mat& img, const Scalar& colorDiff=Scalar::all(1) )  
17. {  
18.     CV_Assert( !img.empty() );  
19.     RNG rng = theRNG();  
20.     Mat mask( img.rows+2, img.cols+2, CV_8UC1, Scalar::all(0) );  
21.     for( int y = 0; y < img.rows; y++ )  
22.     {  
23.         for( int x = 0; x < img.cols; x++ )  
24.         {  
25.             if( mask.at<uchar>(y+1, x+1) == 0 )  
26.             {  
27.                 Scalar newVal( rng(256), rng(256), rng(256) );  
28.                 floodFill( img, mask, Point(x,y), newVal, 0, colorDiff, colorDiff );  
29.             }  
30.         }  
31.     }  
32. }  
33. string winName = "meanshift";  
34. int spatialRad, colorRad, maxPyrLevel;  
35. Mat img, res;  
36. staticvoid meanShiftSegmentation( int, void* )  
37. {  
38.     cout << "spatialRad=" << spatialRad << "; "
39.          << "colorRad=" << colorRad << "; "
40.          << "maxPyrLevel=" << maxPyrLevel << endl;  
41.     pyrMeanShiftFiltering( img, res, spatialRad, colorRad, maxPyrLevel );  
42.     //Mat imgGray;
43.     //cvtColor(res,imgGray,CV_RGB2GRAY);
44.     //imshow("res",res);
45.     floodFillPostprocess( res, Scalar::all(2) );  
46.     imshow( winName, res );  
47. }  
48. int main(int argc, char** argv)  
49. {         
50.     img = imread("rubberwhale1.png");  
51.     //img = imread("pic2.png"); 
52.     if( img.empty() )  
53.         return -1;  
54.     spatialRad = 10;    
55.     colorRad = 10;  
56.     maxPyrLevel = 1;  
57.     namedWindow( winName, WINDOW_AUTOSIZE );  
58.     //imshow("img",img);    
59.     createTrackbar( "spatialRad", winName, &spatialRad, 80, meanShiftSegmentation );  
60.     createTrackbar( "colorRad", winName, &colorRad, 60, meanShiftSegmentation );  
61.     createTrackbar( "maxPyrLevel", winName, &maxPyrLevel, 5, meanShiftSegmentation );  
62.     meanShiftSegmentation(0, 0);  
63.     //floodFillPostprocess( img, Scalar::all(2) );
64.     //imshow("img2",img);
65.     waitKey();  
66.     return 0;  
67. }</span>  

     InputOutputArray image    輸入輸出影象，要求格式為1通道或3通道，8位或浮點

     InputOutputArray mask   掩膜，比image的寬和高各大兩畫素點

     Point seedPoint    填充的起始點

    Scalar newVal   畫素點被染色的值

    CV_OUT Rect* rect=0  可選引數，設定floodFill()要重繪區域的最小邊界矩形區域

    Scalar loDiff=Scalar()  定義當前畫素值與起始點畫素值的亮度或顏色負差的最大值

    Scalar upDiff=Scalar()  定義當前畫素值與起始點畫素值的亮度或顏色正差的最大值

    flags 操作標誌符    

程式結果

    處理後一些細小的紋理都平滑掉了，例如圖中綠色線條所指示的區域。未填充時，很多地方看得並不明顯，填充後就能明顯看出差別來了。填充後的圖很好地體現了meanshift聚類的思想！

    再來看一組更“誇張”的效果圖

    使用meanshift方法進行處理後，原來的三個矩形區域消失了！平滑掉了！

    meanshift演算法的兩個關鍵引數是空間域半徑sr和顏色域半徑sp，別說max_level，那是構建影象金字塔的引數好吧。最後，我們來看看sr和sp對結果的影響。

       顯然顏色域半徑sp對結果的影響比空間域半徑sr對結果的影響大。sp和sr越小，細節保留得越多，sp和sr越大，平滑力度越大。邊緣和顏色突變的區域的特徵保留的較好。因為meanshift要對每個畫素點進行操作，所以演算法的時間花銷很大。