當(dāng)前位置：首頁(yè) > 编程语言 > c/c++ >内容正文

c/c++

【OpenCv3】 VS C++ （五）：SLIC超像素分割算法

發(fā)布時(shí)間：2023/12/31 c/c++ 37 豆豆

生活随笔收集整理的這篇文章主要介紹了【OpenCv3】 VS C++ （五）：SLIC超像素分割算法小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

下一節(jié)地址：https://blog.csdn.net/qq_40515692/article/details/102788157
OpenCv專(zhuān)欄：https://blog.csdn.net/qq_40515692/article/details/102885061

超像素（SuperPixel），就是把原本多個(gè)像素點(diǎn)，組合成一個(gè)大的像素。比如，原本的圖片有二十多萬(wàn)個(gè)像素，用超像素處理之后，就只有幾千個(gè)像素了。后面做直方圖等處理就會(huì)方便許多。經(jīng)常作為圖像處理的預(yù)處理步驟。

這一節(jié)講的是用C++實(shí)現(xiàn)超像素，下一節(jié)講在超像素基礎(chǔ)上用Kmeans分類(lèi)進(jìn)行分割，代碼先根據(jù)超像素SLIC算法編寫(xiě)，后參考github的代碼優(yōu)化了一些地方，然后根據(jù)老師說(shuō)的有更改了一些地方，歡迎大家一起討論。

題目如下：

簡(jiǎn)單解法（HSV 直方圖閾值）如下（至于為什么不用Matlab了，因?yàn)樽鳛镃系程序員，寫(xiě)c++真滴好爽呀）：
https://blog.csdn.net/qq_40515692/article/details/102749271

這一節(jié)先講SLIC超像素算法，下一節(jié)講在超像素基礎(chǔ)上用Kmeans分類(lèi)進(jìn)行分割，參考博客如下：
https://www.jianshu.com/p/d0ef931b3ddf
https://blog.csdn.net/duyue3052/article/details/82149877

效果如下（雖然還是有些可以更好的地方，但是可以看到已經(jīng)分得很不錯(cuò)了，當(dāng)然還有缺陷更少的算法可以更加好的分割比如像素點(diǎn)較少的藍(lán)色線等的算法），完整代碼附在下一節(jié)了：

一、分析

在寫(xiě)較復(fù)雜的程序時(shí)，前期的百度、google參考別人思路、考慮算法的步驟十分關(guān)鍵，甚至應(yīng)該用一半實(shí)現(xiàn)代碼以上的時(shí)間。

為什么使用超像素？

如果看了之前的顏色閾值分割程序就會(huì)發(fā)現(xiàn)，之前的閾值分割沒(méi)有考慮更高維的顏色數(shù)據(jù)，更重要的是沒(méi)有利用各個(gè)像素點(diǎn)的位置信息（比如相鄰的像素點(diǎn)更有可能屬于一張分割圖片），所以我們使用超像素算法，在保留圖像像素的位置、顏色信息的同時(shí)，簡(jiǎn)化問(wèn)題。

超像素示意圖:

這里貼出SLIC的步驟：

撒種子。將K個(gè)超像素中心分布到圖像的像素點(diǎn)上。（這里我的實(shí)現(xiàn)里面直接先根據(jù)圖像大小和超像素的數(shù)目，均勻發(fā)布）

微調(diào)種子的位置。以K為中心的3×3范圍內(nèi)，移動(dòng)超像素中心到這9個(gè)點(diǎn)中梯度最小的點(diǎn)上。這樣是為了避免超像素點(diǎn)落到噪點(diǎn)或者邊界上。（這里我也進(jìn)行了實(shí)現(xiàn)，但是對(duì)于最終結(jié)果貌似沒(méi)有太大影響，篇幅有限就不進(jìn)行講解）

初始化數(shù)據(jù)。取一個(gè)數(shù)組label保存每一個(gè)像素點(diǎn)屬于哪個(gè)超像素。dis數(shù)組保存像素點(diǎn)到它屬于的那個(gè)超像素中心的距離。

對(duì)每一個(gè)超像素中心x，它2S范圍內(nèi)的點(diǎn)：如果點(diǎn)到超像素中心x的距離（5維，馬上會(huì)講）小于這個(gè)點(diǎn)到它原來(lái)屬于的超像素中心的距離，那么說(shuō)明這個(gè)點(diǎn)屬于超像素x。更新dis，更新label。

對(duì)每一個(gè)超像素中心，重新計(jì)算它的位置（根據(jù)的是屬于該超像素的所有像素的位置中心）以及其LAB值（馬上會(huì)講）。

重復(fù)4 5 兩步。

其中關(guān)鍵的4，5步其實(shí)用到了kmeans算法的思想，如下圖所示，假設(shè)有兩個(gè)超像素點(diǎn)（紅點(diǎn)、藍(lán)點(diǎn)），一系列像素點(diǎn)（綠色），首先對(duì)每個(gè)像素點(diǎn)計(jì)算應(yīng)該歸屬與哪一個(gè)超像素點(diǎn)、分類(lèi)（如圖片b、c所示）。

然后進(jìn)行第五步計(jì)算中心，讓超像素移動(dòng)到中心，不斷重復(fù)，最終成功劃分。

但是應(yīng)注意實(shí)際的SLIC算法和kmeans算法有區(qū)別，為了加快計(jì)算速度，在進(jìn)行第4步時(shí)只計(jì)算了超像素中心有限范圍內(nèi)的點(diǎn)。（這是我實(shí)現(xiàn)算法時(shí)的理解，如果有誤希望指出）

需要注意的是這里的“距離”可以是多維的數(shù)據(jù)距離，而不一定是比如像素之間的row、col之間的距離（比如RGB的歐式距離等）。

然后就需要考慮如何針對(duì)一張圖像，度量”距離“？

這里先簡(jiǎn)單介紹LAB色彩空間。Lab色彩模型是由亮度（L）和有關(guān)色彩的a, b三個(gè)要素組成。L表示亮度（Luminosity），L的值域由0（黑色）到100（白色）。a表示從洋紅色至綠色的范圍（a為負(fù)值指示綠色而正值指示品紅），b表示從黃色至藍(lán)色的范圍（b為負(fù)值指示藍(lán)色而正值指示黃色）。

Lab色彩模型的絕妙之處還在于它彌補(bǔ)了RGB色彩模型色彩分布不均的不足，因?yàn)镽GB模型在藍(lán)色到綠色之間的過(guò)渡色彩過(guò)多，而在綠色到紅色之間又缺少黃色和其他色彩。如果我們想在數(shù)字圖形的處理中保留盡量寬闊的色域和豐富的色彩，最好選擇Lab。

然后就是如何計(jì)算”距離“，距離計(jì)算方法如下，其中，dc代表顏色距離，ds代表空間距離，Ns是類(lèi)內(nèi)最大空間距離，Nc為最大的顏色距離：

二、讀取圖片，完成大致框架

第一步還是先包含頭文件，還有定義需要用到的變量，需要配置opencv，在VS上的配置可以參考:
https://blog.csdn.net/qq_40515692/article/details/81042303

#include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std;#define sqrtK 128 // 超像素個(gè)數(shù)128*128 #define sqrtN 512 // 圖像格式512*512int label[sqrtN][sqrtN]; // 圖像各像素點(diǎn)歸屬 int dis[sqrtN][sqrtN]; // 圖像各像素點(diǎn)距離struct cluster{int row, col, l, a, b; }; cluster clusters[sqrtK*sqrtK]; // 存儲(chǔ)超像素的像素坐標(biāo)

我們先定義好大致框架，首先是讀取圖片，轉(zhuǎn)換為L(zhǎng)AB色彩空間，然后把上面提到的步驟分步定義為函數(shù)。

int main(){// 注意修改文件位置Mat src = imread("C:\\Users\\ttp\\Desktop\\map.bmp"), lab;// resize圖片并濾波resize(src, src, Size(sqrtN, sqrtN));// GaussianBlur(src, src, Size(3, 3), 1, 1);// 得到Lab色彩空間，需要注意的是:// 1.opencv里面默認(rèn)為BGR排列方式// 2.LAB通道范圍取決于轉(zhuǎn)換前的通道范圍，這樣其實(shí)也方便處理// 例如：開(kāi)始是0-255，轉(zhuǎn)換后也是0-255，而不是LAB規(guī)定的[127,-128]cvtColor(src, lab, CV_BGR2Lab);int N = sqrtN * sqrtN; // 像素總數(shù) 512*512int K = sqrtK * sqrtK; // 超像素個(gè)數(shù) 128*128int S = sqrt(N / K); // 相鄰種子點(diǎn)距離（超像素邊長(zhǎng)） 4// 1.初始化像素init_clusters(lab,S);cout << "1-初始化像素-完成\n";// 2.微調(diào)種子的位置貌似好一點(diǎn),沒(méi)有太大區(qū)別// 所以這里就直接注釋了// move_clusters(lab);// cout << "2-微調(diào)種子的位置-完成\n";for (int i = 0; i < 5; i++) {// 3.4.初始化數(shù)據(jù)update_pixel(lab, 2*S);cout << "3-初始化數(shù)據(jù)-完成\n";// 5.讓超像素位于正中間updaye_clusters(lab);cout << "4-讓超像素位于正中間-完成\n";// -------------------這兩個(gè)函數(shù)主要是幫助顯示結(jié)果的// 6.標(biāo)識(shí)超像素draw_clusters(src.clone());cout << "5-標(biāo)識(shí)超像素-完成\n";// 7.繪制超像素結(jié)果圖final_draw(lab, lab.clone());cout << "6-繪制超像素結(jié)果圖-完成\n";// opencv的函數(shù)，每1000ms更新一下，動(dòng)態(tài)顯示圖片waitKey(1000);// -----------------------------------------------}imshow("原圖", src);waitKey(0); }

三、各函數(shù)實(shí)現(xiàn)

1.init_clusters函數(shù)

init_clusters函數(shù)就是我們的第一步了，傳入的參數(shù)為lab的色彩空間和S。

需要注意的是opencv里面Mat類(lèi)的賦值并不是直接把Mat的數(shù)據(jù)全部拷貝一份賦值。
而是類(lèi)似于C++的引用賦值（比如：Mat a,b; b=a; 改變b也會(huì)改變a）。
如果想賦值得到一個(gè)全新的圖像矩陣，可以使用b=a.clone();這種方式。
所以這里就直接傳lab了，效率應(yīng)該不會(huì)低。

fill函數(shù)用于對(duì)一段空間賦值，這里即將矩陣dis賦-1。（在非opencv程序也可以使用）

void init_clusters(const Mat lab,int S) {// 初始化每一個(gè)超像素的坐標(biāo)for (int i = 0; i < sqrtK; i++) {int temp_row = S / 2 + i * S;for (int j = 0; j < sqrtK; j++) {clusters[i * sqrtK + j].row = temp_row;clusters[i * sqrtK + j].col = S / 2 + j * S;// cout << clusters[i * sqrtK + j].row << "\t" << clusters[i * sqrtK + j].col // << "\t" << clusters[i * sqrtK + j].h << endl;}}// 初始化每一個(gè)像素的label（即屬于哪一個(gè)超像素）for (int i = 0; i < sqrtN; i++) {int cluster_row = i / S;for (int j = 0; j < sqrtN; j++) {label[i][j] = cluster_row * sqrtK + j / S;// cout << cluster_row * sqrtK + j / S << endl;}}// 像素與超像素的距離先假設(shè)為-1fill(dis[0], dis[0] + (sqrtN * sqrtN), -1); }

2.update_pixel函數(shù)

首先我們還是實(shí)現(xiàn)距離計(jì)算函數(shù)吧，這個(gè)函數(shù)傳入?yún)?shù)為lab，clusters_index表示超像素的索引，
i,j表示像素的橫縱坐標(biāo)。

lab.at(row,col)屬于opencv里面的寫(xiě)法，用于訪問(wèn)矩陣lab在坐標(biāo)（row,col）的值
Vec3b表示3通道，每個(gè)通道為uchar類(lèi)型（0-255）。為什么是Vec3b，參考完成大致框架里面的代碼注釋。

代碼和上面的公式幾乎沒(méi)區(qū)別（權(quán)重取得有點(diǎn)隨意）。

inline int get_distance(const Mat lab,int clusters_index,int i,int j) {int dl = clusters[clusters_index].l - lab.at<Vec3b>(i, j)[0];int da = clusters[clusters_index].a - lab.at<Vec3b>(i, j)[1];int db = clusters[clusters_index].b - lab.at<Vec3b>(i, j)[2];int dx = clusters[clusters_index].row - i;int dy = clusters[clusters_index].col - j;int h_distance = dl * dl + da * da + db * db;int xy_distance = dx * dx + dy * dy;//cout << h_distance << "\t" << xy_distance * 100 << endl;return h_distance + xy_distance * 100; }

然后就可以完成update_pixel函數(shù)了

void update_pixel(const Mat lab,int s) {for (int i = 0; i < sqrtK * sqrtK; i++) { // 對(duì)于每一個(gè)超像素int clusters_x = clusters[i].row;int clusters_y = clusters[i].col;for (int x = -s; x <= s; x++) { // 在它周?chē)?s到s的范圍內(nèi)for (int y = -s; y <= s; y++) {int now_x = clusters_x + x;int now_y = clusters_y + y;if (now_x < 0 || now_x >= sqrtN || now_y < 0 || now_y >= sqrtN)continue;int new_dis = get_distance(lab, i, now_x, now_y);// 如果為-1（還沒(méi)有更新過(guò)）或者新的距離更小，就更換當(dāng)前像素屬于的超像素if (dis[now_x][now_y] > new_dis || dis[now_x][now_y] == -1) {dis[now_x][now_y] = new_dis;label[now_x][now_y] = i;}}}} }

3. updaye_clusters函數(shù)

這個(gè)函數(shù)就是根據(jù)當(dāng)前超像素的所有歸屬像素來(lái)更新位置。

需要注意的是C++用new申請(qǐng)空間時(shí)后面加上()會(huì)自動(dòng)初始化申請(qǐng)的空間。
還有就是記得delete

void updaye_clusters(const Mat lab) {int *sum_count = new int[sqrtK * sqrtK]();int *sum_i = new int[sqrtK * sqrtK]();int *sum_j = new int[sqrtK * sqrtK](); int* sum_l = new int[sqrtK * sqrtK]();int* sum_a = new int[sqrtK * sqrtK]();int* sum_b = new int[sqrtK * sqrtK]();for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {sum_count[label[i][j]]++;sum_i[label[i][j]] += i;sum_j[label[i][j]] += j; sum_l[label[i][j]] += lab.at<Vec3b>(i, j)[0];sum_a[label[i][j]] += lab.at<Vec3b>(i, j)[1];sum_b[label[i][j]] += lab.at<Vec3b>(i, j)[2];}}for (int i = 0; i < sqrtK * sqrtK; i++) {if (sum_count[i] == 0) {continue;}clusters[i].row = round(sum_i[i] / sum_count[i]);clusters[i].col = round(sum_j[i] / sum_count[i]); clusters[i].l = round(sum_l[i] / sum_count[i]);clusters[i].a = round(sum_a[i] / sum_count[i]);clusters[i].b = round(sum_b[i] / sum_count[i]);}delete[] sum_count;delete[] sum_i;delete[] sum_j;delete[] sum_l;delete[] sum_a;delete[] sum_b; }

4. 顯示函數(shù)

OK, 到了這一步其實(shí)算法已經(jīng)完成了。我們?cè)趯?shí)現(xiàn)一下用于顯示的函數(shù)吧。draw_clusters函數(shù)就是畫(huà)出每一個(gè)超像素點(diǎn)，final_draw函數(shù)就是繪制一張超像素分割圖。

void draw_clusters(const Mat copy) {for (int index = 0; index < sqrtK * sqrtK; index++) {Point p(clusters[index].row, clusters[index].col);circle(copy, p, 1, Scalar(0, 0, 255), 1); // 畫(huà)半徑為1的圓(畫(huà)點(diǎn)）}imshow("超像素示意圖", copy); }void final_draw(const Mat lab,Mat copy) {for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {int index = label[i][j];copy.at<Vec3b>(i, j)[0] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[0];copy.at<Vec3b>(i, j)[1] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[1];copy.at<Vec3b>(i, j)[2] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[2];}}cvtColor(copy, copy, CV_Lab2BGR);imshow("分割圖", copy); }

最后效果如下：

2020 7.3更新：

完成了超像素框繪制的功能，這里給出匯總代碼：

#include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std;#define sqrtK 32 // 超像素個(gè)數(shù)32*32 #define sqrtN 512 // 圖像格式512*512int label[sqrtN][sqrtN]; // 圖像各像素點(diǎn)歸屬 int dis[sqrtN][sqrtN]; // 圖像各像素點(diǎn)距離struct cluster {int row, col, l, a, b; }; cluster clusters[sqrtK * sqrtK]; // 存儲(chǔ)超像素的像素坐標(biāo)、顏色/*** 初始化每一個(gè)超像素的坐標(biāo)* 初始化每一個(gè)像素的label（即屬于哪一個(gè)超像素）* 像素與超像素的距離先假設(shè)為-1 */ void init_clusters(const Mat lab, int S) {for (int i = 0; i < sqrtK; i++) {int temp_row = S / 2 + i * S;for (int j = 0; j < sqrtK; j++) {clusters[i * sqrtK + j].row = temp_row;clusters[i * sqrtK + j].col = S / 2 + j * S;}}for (int i = 0; i < sqrtN; i++) {int cluster_row = i / S;for (int j = 0; j < sqrtN; j++) {label[i][j] = cluster_row * sqrtK + j / S;}}fill(dis[0], dis[0] + (sqrtN * sqrtN), -1); }inline int get_distance(const Mat lab, int clusters_index, int i, int j) {int dl = clusters[clusters_index].l - lab.at<Vec3b>(i, j)[0];int da = clusters[clusters_index].a - lab.at<Vec3b>(i, j)[1];int db = clusters[clusters_index].b - lab.at<Vec3b>(i, j)[2];int dx = clusters[clusters_index].row - i;int dy = clusters[clusters_index].col - j;int h_distance = dl * dl + da * da + db * db;int xy_distance = dx * dx + dy * dy;//cout << h_distance << "\t" << xy_distance * 100 << endl;return h_distance + xy_distance * 100; }void update_pixel(const Mat lab, int s) {for (int i = 0; i < sqrtK * sqrtK; i++) { // 對(duì)于每一個(gè)超像素int clusters_x = clusters[i].row;int clusters_y = clusters[i].col;for (int x = -s; x <= s; x++) { // 在它周?chē)?s到s的范圍內(nèi)for (int y = -s; y <= s; y++) {int now_x = clusters_x + x;int now_y = clusters_y + y;if (now_x < 0 || now_x >= sqrtN || now_y < 0 || now_y >= sqrtN)continue;int new_dis = get_distance(lab, i, now_x, now_y);// 如果為-1（還沒(méi)有更新過(guò)）或者新的距離更小，就更換當(dāng)前像素屬于的超像素if (dis[now_x][now_y] > new_dis || dis[now_x][now_y] == -1) {dis[now_x][now_y] = new_dis;label[now_x][now_y] = i;}}}} }void updaye_clusters(const Mat lab) {int* sum_count = new int[sqrtK * sqrtK]();int* sum_i = new int[sqrtK * sqrtK]();int* sum_j = new int[sqrtK * sqrtK]();int* sum_l = new int[sqrtK * sqrtK]();int* sum_a = new int[sqrtK * sqrtK]();int* sum_b = new int[sqrtK * sqrtK]();for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {sum_count[label[i][j]]++;sum_i[label[i][j]] += i;sum_j[label[i][j]] += j;sum_l[label[i][j]] += lab.at<Vec3b>(i, j)[0];sum_a[label[i][j]] += lab.at<Vec3b>(i, j)[1];sum_b[label[i][j]] += lab.at<Vec3b>(i, j)[2];}}for (int i = 0; i < sqrtK * sqrtK; i++) {if (sum_count[i] == 0) {continue;}clusters[i].row = round(sum_i[i] / sum_count[i]);clusters[i].col = round(sum_j[i] / sum_count[i]);clusters[i].l = round(sum_l[i] / sum_count[i]);clusters[i].a = round(sum_a[i] / sum_count[i]);clusters[i].b = round(sum_b[i] / sum_count[i]);}delete[] sum_count;delete[] sum_i;delete[] sum_j;delete[] sum_l;delete[] sum_a;delete[] sum_b; }void draw_clusters(const Mat copy) {for (int index = 0; index < sqrtK * sqrtK; index++) {Point p(clusters[index].row, clusters[index].col);circle(copy, p, 1, Scalar(0, 0, 255), 1); // 畫(huà)半徑為1的圓(畫(huà)點(diǎn)）}imshow("超像素示意圖", copy); }void final_draw(const Mat lab, Mat copy) {for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {int index = label[i][j];copy.at<Vec3b>(i, j)[0] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[0];copy.at<Vec3b>(i, j)[1] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[1];copy.at<Vec3b>(i, j)[2] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[2];}}cvtColor(copy, copy, CV_Lab2BGR);imshow("分割圖", copy); }void draw_edge(const Mat lab, Mat copy) {// 這里的代碼和上面的函數(shù)幾乎一樣，都是同標(biāo)簽的繪制相應(yīng)的超像素顏色，因?yàn)榉奖阌脩糇约哼x用繪制函數(shù)所以沒(méi)有調(diào)用上面的函數(shù)for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {int index = label[i][j];copy.at<Vec3b>(i, j)[0] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[0];copy.at<Vec3b>(i, j)[1] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[1];copy.at<Vec3b>(i, j)[2] = lab.at<Vec3b>(clusters[index].row, clusters[index].col)[2];}}// 這里的思路是4個(gè)方向，一旦有標(biāo)簽不同，就設(shè)置為黑色static int X[] = { 0,0,-1,1 };static int Y[] = { 1,-1,0,0 };cvtColor(copy, copy, CV_Lab2BGR); // 改成BGR，方便后面設(shè)置邊框的顏色。for (int i = 0; i < sqrtN; i++) {for (int j = 0; j < sqrtN; j++) {int index = label[i][j];for (int k = 0; k < 4; k++) {if (index != label[i + X[k]][j + X[k]])copy.at<Vec3b>(i, j)[0] = copy.at<Vec3b>(i, j)[1] = copy.at<Vec3b>(i, j)[2] = 0;}}}imshow("超像素邊界", copy); }int main() {// 注意修改文件位置Mat src = imread("C:\\Users\\ttp\\Desktop\\map.bmp"), lab;// resize圖片并高斯濾波（可選）resize(src, src, Size(sqrtN, sqrtN));// GaussianBlur(src, src, Size(3, 3), 1, 1);/**得到Lab色彩空間，需要注意的是:1.opencv里面默認(rèn)為BGR排列方式2.LAB通道范圍取決于轉(zhuǎn)換前的通道范圍，這樣其實(shí)也方便處理例如：開(kāi)始是0-255，轉(zhuǎn)換后也是0-255，而不是LAB規(guī)定的[127,-128]*/cvtColor(src, lab, CV_BGR2Lab);int N = sqrtN * sqrtN; // 像素總數(shù) 512*512int K = sqrtK * sqrtK; // 超像素個(gè)數(shù) 128*128int S = sqrt(N / K); // 相鄰種子點(diǎn)距離（超像素邊長(zhǎng)） 4// 1.初始化像素init_clusters(lab, S);cout << "1-初始化像素-完成\n";// 2.微調(diào)種子的位置貌似好一點(diǎn),沒(méi)有太大區(qū)別，所以這里就直接省略了for (int i = 0; i < 5; i++) {// 3.4.初始化數(shù)據(jù)update_pixel(lab, 2 * S);cout << "3-初始化數(shù)據(jù)-完成\n";// 5.讓超像素位于正中間updaye_clusters(lab);cout << "4-讓超像素位于正中間-完成\n";// -------------------這兩個(gè)函數(shù)主要是幫助顯示結(jié)果的// 6.標(biāo)識(shí)超像素draw_clusters(src.clone());cout << "5-標(biāo)識(shí)超像素-完成\n";// 7.繪制超像素結(jié)果圖final_draw(lab, lab.clone());cout << "6-繪制超像素結(jié)果圖-完成\n";draw_edge(lab, lab.clone());// opencv的函數(shù)，每1000ms更新一下，動(dòng)態(tài)顯示圖片waitKey(30);// -----------------------------------------------}imshow("原圖", src);waitKey(0); }

運(yùn)行結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的【OpenCv3】 VS C++ （五）：SLIC超像素分割算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： Eclipse使用：Eclipse安装中
下一篇：【手撕算法】C++实现超像素分割算法