MSER最稳定极值区域源码分析
最稳定极值区域介绍
如把灰度图看成高低起伏的地形图,其中灰度值看成海平面高度的话,MSER的作用就是在灰度图中找到符合条件的坑洼。条件为坑的最小高度,坑的大小,坑的倾斜程度,坑中如果已有小坑时大坑与小坑的变化率。
上图展示了几种不同的坑洼,根据最小高度,大小,倾斜程度这些条件的不同,选择的坑也就不同。
上图展示了最后一个条件,大坑套小坑的情况。根据条件的不同,选择也不同。
以上便是对坑的举例,MSER主要流程就三部分组成:
1.预处理数据
2.遍历灰度图
3.判断一个区域(坑洼)是否满足条件
简单来说,就如将水注入这个地形中。水遇到低处就往低处流,如果没有低处了,水位就会一点点增长,直至淹没整个地形。在之前预处理下数据,在水位提高时判断下是否满足条件。
预处理数据
先说下流程中的主要部件,如下:
1.img,由原8位单通道灰度图转化的更容易遍历和记录数据的32位单通道图。预处理内容为:
32位值记录从这点是否探索过,探索过的方向,灰度值;图大小也扩大了,最外添加了一个像素的完整一圈,值为-1可看作墙,宽度也改变为2的整数次方,用于加快运算。
如果由掩码图,如下:
2.heap,记录坑洼边界的堆栈,每个灰度值都有自己的堆栈。预处理内容为:
计算所有灰度值的个数,这样提前就可以分配堆栈大小。例如知道了灰度2的像素由4个,就可以将灰度2的堆栈大小分配为5(多一个位标志位空)。
3.comp,记录水坑数据的堆栈,有水位值(灰度值),面积(像素个数和像素位置)等。预处理内容为:
仅仅是分配内存,分配257个(0-255外多一个用作结束)
4.history,记录水位抬高的历史,就是一个小坑抬高水位后一点点变成大坑的历史。预处理内容为:
仅仅是分配内存,大小为像素点个数(就是宽*高)。可以想成所有点都不同都可以形成历史的最大个数。
遍历灰度图
在重复下整个简单的过程:就如将水注入这个地形中。水遇到低处就往低处流,如果没有低处了,水位就会一点点增长,直至淹没整个地形。先说下主要部件:
1.img,由原8位单通道灰度图转化的更容易遍历和记录数据的32位单通道图。遍历时:
当前像素位置中有3位记录方向(除了东南西北还有一个用来代表结束),逐个改变方向遍历。还有最高1位记录是否发现过了。根据方向遍历相邻像素,如果4个方向都探索过了,就从heap边界中找到一个最小灰度的边界,出栈来用作当前像素。最终将所有像素的4个方向都走完,也是所有像素都被发现了,遍历就结束。
2.heap,记录坑洼边界的堆栈,每个灰度值都有自己的堆栈。遍历时:
当水遇到低处时入栈当前位置为低处的边界,当水遇到相等高度或高处时入栈那个边界;当抬高水位时出栈被抬高到的边界。
3.comp,记录水坑数据的堆栈,有水位值(灰度值),面积(像素个数和像素位置)等。遍历时:
当水位下降时新入栈,水位提高时出栈并可能与之前的合并。
4.history,记录水位抬高的历史,就是一个小坑抬高水位后一点点变成大坑的历史。遍历时:
history主要是记录用来判断最大稳定极值区域的数据,没有遍历的作用。主要记录时刻有两种:提高水位到边界heap中的最小高度,提高水位到comp中上一项的高度。要记录灰度值,像素数,快捷指针,孩子指针,稳定时的像素数。
下面举例子,走下遍历的流程(并不是依次就是一步,一些步骤合并了)(红色为有变动位置,时间匆忙没有仔细校准每个位置):
中上,要遍历的灰度图。为了方便观看,上文提到周围一圈的-1被去掉了。
左下,history是抬高水位的历史。
中下,comp是水位数据。预先入栈一个256的灰度作为顶,用来抬高水位时判断边界值小还是上一个水位数据的灰度值小。
右下,heap是边界堆栈,heap_start是每个灰度指向heap堆栈的指针。特殊说明下,heap是一个个堆栈连接在一起的一个数组,由于上面说的预处理过了,已经知道每个灰度的像素个数,所以提前指定了heap_start中每个灰度指向heap中的位置,指向0代表所在堆栈没有数据。例如灰度2有4个像素,所以灰度3的指针从灰度2指针后5个后开始,4个是像素数,1个是代表空的0。
从A1位置开始,comp中入栈个灰度2的数据项,并将heap_cur当前指针设置为2灰度的指针。
探索A1右边B1,标识为已发现。B1的值2没有小于当前水位值2,作为边界入栈。
探索A1下面的A2。值1小于当前水位2,将2入栈边界栈,入栈水位数据1,调整边界指针heap_cur为指向1的指针,当前像素为A2。
探索A2右边B3与下边A3,都没有比当前水位1小,分别入栈所属灰度的边界栈。
A2所有方向都探索完,将A2加入当前水位数据comp中。
在边界栈中找到最小灰度的一个值出栈(图5里边界里有灰度2的和灰度3的,从当前灰度1开始一点点加大所以找到了灰度2),出栈了A3。A3的灰度2,所以抬高水位。记录历史histroy,修改当前水位数据灰度为2,边界指针heap_cur指向2灰度的堆栈。
探索A3周边,发现B3,灰度3比当前大作为边界入栈。
A3所有方向也都探索完,将A3加入当前水位数据comp中。
边界中找到A1。由于A1灰度还是2,没有提升水位。将A1作为当前像素。
刚刚的A1周围也早就探索完了,将A1加入当前水位数据comp中。
又在边界中找到了B1,并出栈作为当前像素。
B1右边探索到了C1,加入灰度3的边界栈。
这时,B1周围已经探索完毕,将B1加入当前水位数据comp中。
B1被加入在边界栈中从灰度2开始查找,找到灰度3中C1作为当前像素。然后记录历史history,提高当前水位数据comp的灰度值,设置heap_cur指针到灰度3的边界栈。
从当前像素C1向下找到C2,C2灰度比当前低。将当前像素C1入栈边界栈,新建灰度2的水位数据comp,边界指针heap_cur指向灰度2,设置C2为当前指针。
探索C2下面最后一个像素C3,将C3加入边界栈。
将C2加入水位数据comp中。
需要抬高水位了,从灰度3的边界栈中出栈C3,发现灰度和上一个水位数据comp的灰度一样,需要合并这两个comp数据。添加历史history,合并两个comp数,改变边界栈heap_cur到灰度3,设置C3为当前像素。
最后的C3,C1,B3,B2周围都没有可以探索的像素了,依次出栈加入水位数据。
至此所有9个像素都探索完毕了。
判断一个区域(坑洼)是否满足条件
先看下参数:
int delta; // 两个区域间的灰度差
int minArea; // 区域最小像素数
int maxArea; // 区域最大像素数
double maxVariation; // 两个区域的偏差
double minDiversity; // 当前区域与稳定区域的变化率
一个水坑的变化如下图A,随着水位的提高,面积由Ra变为Rb在到Rc,Ra为Rb的父区域;判断极值区域的方法如图B,在delta水位差间两个区域面积是否满足一定条件;还有一个判断条件如图C,如果已经有一个候选区域Rstable了,Rcandidate是否可以作为一个极值区域,也就是大坑套小坑的情况。
maxVariation是上图B的情况,值为下面的公式A;minDiversity是上图C的情况,值为下面公式B:
下面是在条件判断时两个有用的部件(其他没有任何作用):
3.comp,记录水坑数据的堆栈,有水位值(灰度值),面积(像素个数和像素位置)等。条件判断时:
有个history指向当前区域的历史的指针,用来查找当前区域之前的变化历史;var用来记录上次计算的variation;div用来记录上次计算的diversity。(var与div用来确保坑越来越稳定,如果与上次的值比较发散了则不满足条件)
4.history,记录水位抬高的历史,就是一个小坑抬高水位后一点点变成大坑的历史。条件判断时:
每一个历史项都有指向孩子历史的指针child,与指向相差delta灰度历史的快捷指针shortcut,还有上次稳定时的像素数stable,最后就是那个历史时刻的灰度值val与像素数size。(快捷指针是用来加速计算的,在历史里一个一个向前找也能找到,但总没有直接在上次找到的位置前后找更快吧:))
源码
基本结构:
typedef struct LinkedPoint
{
struct LinkedPoint* prev;
struct LinkedPoint* next;
Point pt;
}
LinkedPoint; // the history of region grown
typedef struct MSERGrowHistory
{
// 快捷路径,是指向以前历史的指针。因为不是一个一个连接的,所以不是parent。算法中是记录灰度差为delta的历史的指针。
// 例如:当前是灰度是10,delta=3,这个指针就指向灰度为7时候的历史
struct MSERGrowHistory* shortcut;
// 指向更新历史的指针,就是从这个历史繁衍的新历史,所以叫孩子
struct MSERGrowHistory* child;
// 大于零代表稳定,值是稳定是的像素数。这个值在不停的继承
int stable; // when it ever stabled before, record the size
// 灰度值
int val;
// 像素数
int size;
}
MSERGrowHistory; typedef struct MSERConnectedComp
{
// 像素点链的头
LinkedPoint* head;
// 像素点链的尾
LinkedPoint* tail;
// 区域上次的增长历史,可以通过找个历史找到之前的记录
MSERGrowHistory* history;
// 灰度值
unsigned long grey_level;
// 像素数
int size;
int dvar; // the derivative of last var
float var; // the current variation (most time is the variation of one-step back)
}
MSERConnectedComp; struct MSERParams
{
MSERParams(int _delta, int _minArea, int _maxArea, double _maxVariation,
double _minDiversity, int _maxEvolution, double _areaThreshold,
double _minMargin, int _edgeBlurSize)
: delta(_delta), minArea(_minArea), maxArea(_maxArea), maxVariation(_maxVariation),
minDiversity(_minDiversity), maxEvolution(_maxEvolution), areaThreshold(_areaThreshold),
minMargin(_minMargin), edgeBlurSize(_edgeBlurSize)
{} // MSER使用
int delta; // 两个区域间的灰度差
int minArea; // 区域最小像素数
int maxArea; // 区域最大像素数
double maxVariation; // 两个区域的偏差
double minDiversity; // 当前区域与稳定区域的变化率
// MSCR使用
int maxEvolution;
double areaThreshold;
double minMargin;
int edgeBlurSize;
};
预处理:
// to preprocess src image to following format
// 32-bit image
// > 0 is available, < 0 is visited
// 17~19 bits is the direction
// 8~11 bits is the bucket it falls to (for BitScanForward)
// 0~8 bits is the color
/** @brief 将所给原单通道灰度图和掩码图 预处理为一张方便遍历与记录数据的32位单通道图像;并且根据像素灰度值分配边缘栈。
* 32位格式如下:
* > 0 可用,< 0 已经被访问
* 17~19位用于记录下一个要探索的方向,5个值
* 8~11位 用于优化的二值搜索
* 0~8位用于记录灰度值
*@param heap_cur 边缘栈
*@param src 原单通道灰度图
*@param mask 掩码图
*/
static int* preprocessMSER_8UC1(CvMat* img,
int*** heap_cur,
CvMat* src,
CvMat* mask)
{
// 数据有效内容是在img中,由一圈-1包围着,靠左的区域。也就是被一圈-1的墙包围着。 // 原始数据跳转到下一行的偏移量。
int srccpt = src->step - src->cols; // 跳转到下一行的偏移量,最后减一是因为,例如:xoooxxx,o是有效数据,x是扩充出来的。偏移量应该是3,就是ooo最
// 右边的xxx个数。为了计算,就需要减去ooo最左面的一个x。
int cpt_1 = img->cols - src->cols - ;
int* imgptr = img->data.i;
int* startptr; // 用于记录每个灰度有多少像素
int level_size[];
for (int i = ; i < ; i++)
level_size[i] = ; // 设置第一行为-1
for (int i = ; i < src->cols + ; i++)
{
*imgptr = -;
imgptr++;
} // 偏移到第一个有效数据所在行的开头
imgptr += cpt_1 - ;
uchar* srcptr = src->data.ptr;
if (mask)
{
// 有掩码
startptr = ; // 数据处理的开始位置,为最左上的位置。
uchar* maskptr = mask->data.ptr;
for (int i = ; i < src->rows; i++)
{
// 最左面设置为-1
*imgptr = -;
imgptr++;
for (int j = ; j < src->cols; j++)
{
if (*maskptr)
{
if (!startptr)
startptr = imgptr; // 灰度值取反!!!!! !!!!! !!!!! !!!!!
*srcptr = 0xff - *srcptr; // 所在灰度值个数自增
level_size[*srcptr]++; // 写入0~8位,8~13位用作BitScanForward
*imgptr = ((*srcptr >> ) << ) | (*srcptr);
}
else {
// 标为-1,就是当作一个已经被发现的位置,和外围-1墙的原理一样
*imgptr = -;
}
imgptr++;
srcptr++;
maskptr++;
} // 最右面设置为-1
*imgptr = -; // 都跳到下一行开始
imgptr += cpt_1;
srcptr += srccpt;
maskptr += srccpt;
}
}
else {
// 就是没有掩码的情况
startptr = imgptr + img->cols + ;
for (int i = ; i < src->rows; i++)
{
*imgptr = -;
imgptr++;
for (int j = ; j < src->cols; j++)
{
*srcptr = 0xff - *srcptr;
level_size[*srcptr]++;
*imgptr = ((*srcptr >> ) << ) | (*srcptr);
imgptr++;
srcptr++;
}
*imgptr = -;
imgptr += cpt_1;
srcptr += srccpt;
}
} // 设置最后一行为-1
for (int i = ; i < src->cols + ; i++)
{
*imgptr = -;
imgptr++;
} // 确定每个灰度在边界堆中的指针位置。0代表没有值。
heap_cur[][] = ;
for (int i = ; i < ; i++)
{
heap_cur[i] = heap_cur[i - ] + level_size[i - ] + ;
heap_cur[i][] = ;
}
return startptr;
}
主流程及遍历方法:
static void extractMSER_8UC1_Pass(int* ioptr,
int* imgptr,
int*** heap_cur, // 边界栈的堆,里面是每一个灰度的栈
LinkedPoint* ptsptr,
MSERGrowHistory* histptr,
MSERConnectedComp* comptr,
int step,
int stepmask,
int stepgap,
MSERParams params,
int color,
CvSeq* contours,
CvMemStorage* storage)
{
// ER栈第一项为结束的标识项,值为大于255的256
comptr->grey_level = ; // 将当前位置值入栈,并初始化
comptr++;
comptr->grey_level = (*imgptr) & 0xff;
initMSERComp(comptr); // 设置为已经发现
*imgptr |= 0x80000000; // 加上灰度偏移就将指针定位到了相应灰度的边界栈上
heap_cur += (*imgptr) & 0xff; // 四个方向的偏移量,上下的偏移是隔行的步长
int dir[] = { , step, -, -step };
#ifdef __INTRIN_ENABLED__
unsigned long heapbit[] = { , , , , , , , };
unsigned long* bit_cur = heapbit + (((*imgptr) & 0x700) >> );
#endif // 循环
for (;;)
{
// take tour of all the 4 directions
// 提取当前像素的方向值,判断是否还有方向没有走过
while (((*imgptr) & 0x70000) < 0x40000)
{
// get the neighbor
// 通过方向对应的偏移获得相邻像素指针
int* imgptr_nbr = imgptr + dir[((*imgptr) & 0x70000) >> ]; // 判断是否访问过
if (*imgptr_nbr >= ) // if the neighbor is not visited yet
{
// 没有访问过,标记为访问过
*imgptr_nbr |= 0x80000000; // mark it as visited
if (((*imgptr_nbr) & 0xff) < ((*imgptr) & 0xff))
{
// when the value of neighbor smaller than current
// push current to boundary heap and make the neighbor to be the current one
// create an empty comp
// 如果相邻像素的灰度小于当前像素,将当前像素加入边界栈堆,并把相邻像素设置为当前像素,并新建ER栈项
// 将当前加入边界栈堆
(*heap_cur)++;
**heap_cur = imgptr; // 转换方向
*imgptr += 0x10000; // 将边界栈堆的指针调整为相邻的像素灰度所对应的位置
heap_cur += ((*imgptr_nbr) & 0xff) - ((*imgptr) & 0xff);
#ifdef __INTRIN_ENABLED__
_bitset(bit_cur, (*imgptr) & 0x1f);
bit_cur += (((*imgptr_nbr) & 0x700) - ((*imgptr) & 0x700)) >> ;
#endif
// 将相邻像素设置为当前像素
imgptr = imgptr_nbr; // 新建ER栈项,并设置灰度为当前像素灰度
comptr++;
initMSERComp(comptr);
comptr->grey_level = (*imgptr) & 0xff;
continue;
}
else {
// otherwise, push the neighbor to boundary heap
// 否则,将相邻像素添加到对应的边界帧堆中
heap_cur[((*imgptr_nbr) & 0xff) - ((*imgptr) & 0xff)]++;
*heap_cur[((*imgptr_nbr) & 0xff) - ((*imgptr) & 0xff)] = imgptr_nbr;
#ifdef __INTRIN_ENABLED__
_bitset(bit_cur + ((((*imgptr_nbr) & 0x700) - ((*imgptr) & 0x700)) >> ), (*imgptr_nbr) & 0x1f);
#endif
}
} // 将当前像素的方向转换到下一个方向
*imgptr += 0x10000;
} int imsk = (int)(imgptr - ioptr); // 记录x&y,
ptsptr->pt = cvPoint(imsk&stepmask, imsk >> stepgap);
// get the current location
accumulateMSERComp(comptr, ptsptr);
ptsptr++;
// get the next pixel from boundary heap
// 从边界栈堆中获取一个像素用作当前像素
if (**heap_cur)
{
// 当前灰度的边界栈堆有值可以用,将当前边界栈堆值设置为当前像素,因为当前边界栈堆的灰度就是当前像素的灰度,所以可以直接拿出来用
imgptr = **heap_cur; // 出栈
(*heap_cur)--;
#ifdef __INTRIN_ENABLED__
if (!**heap_cur)
_bitreset(bit_cur, (*imgptr) & 0x1f);
#endif
}
else {
// 当前灰度边界栈堆中没有值可以用
#ifdef __INTRIN_ENABLED__
bool found_pixel = ;
unsigned long pixel_val;
for (int i = ((*imgptr) & 0x700) >> ; i < ; i++)
{
if (_BitScanForward(&pixel_val, *bit_cur))
{
found_pixel = ;
pixel_val += i << ;
heap_cur += pixel_val - ((*imgptr) & 0xff);
break;
}
bit_cur++;
}
if (found_pixel)
#else
// 从当前灰度后逐步提高灰度值,在边界堆中找到一个边界像素
heap_cur++;
unsigned long pixel_val = ;
for (unsigned long i = ((*imgptr) & 0xff) + ; i < ; i++)
{
if (**heap_cur)
{
// 不为零,指针指向了一个像素,这个灰度值还有边界
pixel_val = i;
break;
} // 提高灰度值
heap_cur++;
} // 判断边界中是否还有像素
if (pixel_val)
#endif
{
// 将边界中的像素作为当前像素,并从边界中去除
imgptr = **heap_cur;
(*heap_cur)--;
#ifdef __INTRIN_ENABLED__
if (!**heap_cur)
_bitreset(bit_cur, pixel_val & 0x1f);
#endif
if (pixel_val < comptr[-].grey_level)
{
// 刚从边界获得灰度如果小于上一个MSER组件灰度值,需要提高当前水位到边界的灰度值
// check the stablity and push a new history, increase the grey level
if (MSERStableCheck(comptr, params))
{
CvContour* contour = MSERToContour(comptr, storage);
contour->color = color;
cvSeqPush(contours, &contour);
} // 由于水位要有变化了,添加一个历史
MSERNewHistory(comptr, histptr); // 提高水位到边界的水位
comptr[].grey_level = pixel_val; // 指向下一个未使用历史空间
histptr++;
}
else {
// 刚从边界获得灰度如果不小于上一个MSER组件灰度值,其实就是和上一个灰度值一样。
// 例如:当前水位2,上一个水位3,从边界出栈的水位为3. // keep merging top two comp in stack until the grey level >= pixel_val
for (;;)
{
// 合并MSER组件,里面也随带完成了一个历史
comptr--;
MSERMergeComp(comptr + , comptr, comptr, histptr);
histptr++; if (pixel_val <= comptr[].grey_level)
break; // 到这里,等于comptr[0].grey_level < pixel_val,也是当前像素的灰度与MSER组件的不一致,要提高MSER组件灰度
if (pixel_val < comptr[-].grey_level)
{
// 其实就是comptr[0].grey_level < pixel_val < comptr[-1].grey_level
// 当前灰度大于当前MSER灰度小于上一个MSER组件灰度。同上面的代码情况一样。
// check the stablity here otherwise it wouldn't be an ER
if (MSERStableCheck(comptr, params))
{
CvContour* contour = MSERToContour(comptr, storage);
contour->color = color;
cvSeqPush(contours, &contour);
}
MSERNewHistory(comptr, histptr);
comptr[].grey_level = pixel_val;
histptr++;
break;
}
}
}
}
else
break;
}
}
} /** @brief 通过8UC1类型的图像提取MSER
*@param mask 掩码
*@param contours 轮廓结果
*@param storage 轮廓内存空间
*@param params 参数
*/
static void extractMSER_8UC1(CvMat* src,
CvMat* mask,
CvSeq* contours,
CvMemStorage* storage,
MSERParams params)
{
// 为了加速计算,将每行数据大小扩展为大于原大小的第一个2的整指数。
// 这样在后面计算y时,只要右移stepgap就算除以2^stepgap了
int step = ;
int stepgap = ;
while (step < src->step + )
{
step <<= ;
stepgap++;
}
int stepmask = step - ; // to speedup the process, make the width to be 2^N
CvMat* img = cvCreateMat(src->rows + , step, CV_32SC1);
int* ioptr = img->data.i + step + ; // 数据在扩展后的最开始位置
int* imgptr; // 用于指向mser遍历的当前像素(所有数据) // pre-allocate boundary heap
// 预分配边界堆和每个灰度指向堆的指针数组
// 堆大小就是像素数+所有灰度值(一个标志数据,用来表明这个灰度没有数据了)
int** heap = (int**)cvAlloc((src->rows*src->cols + ) * sizeof(heap[]));
int** heap_start[];
heap_start[] = heap; // pre-allocate linked point and grow history
// 预分配连接像素点,用于将区域中的像素连接起来,大小就为所有像素个数
LinkedPoint* pts = (LinkedPoint*)cvAlloc(src->rows*src->cols * sizeof(pts[]));
// 预分配增长历史,用于记录区域在太高水位后的父子关系,最大个数为所有像素个数。
MSERGrowHistory* history = (MSERGrowHistory*)cvAlloc(src->rows*src->cols * sizeof(history[]));
// 预分配区域,用于记录每个区域的数据,大小为所有灰度值+1个超大灰度值代表顶
MSERConnectedComp comp[]; // darker to brighter (MSER-)
// 提取mser亮区域(preprocessMSER_8UC1中将灰度值取反)
imgptr = preprocessMSER_8UC1(img, heap_start, src, mask);
extractMSER_8UC1_Pass(ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, -, contours, storage);
// brighter to darker (MSER+)
// 提取mser暗区域
imgptr = preprocessMSER_8UC1(img, heap_start, src, mask);
extractMSER_8UC1_Pass(ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, , contours, storage); // clean up
cvFree(&history);
cvFree(&heap);
cvFree(&pts);
cvReleaseMat(&img);
}
条件判断和生成结果:
// clear the connected component in stack
static void
initMSERComp(MSERConnectedComp* comp)
{
comp->size = ;
comp->var = ;
comp->dvar = ;
comp->history = NULL;
} // add history of size to a connected component
static void
/** @brief 通过当前ER项构建一个对应的历史,也就是说找个ER项要准备改变了
*/
MSERNewHistory(MSERConnectedComp* comp, MSERGrowHistory* history)
{
// 初始时将下一条历史设置为自己
history->child = history;
if (NULL == comp->history)
{
// 从来没有历史过,将快捷路径也设置为自己,稳定的像素数为0
history->shortcut = history;
history->stable = ;
}
else {
// 有历史,将当前历史设置为上一个历史的下个历史
comp->history->child = history; // 快捷路径与稳定值继承至上一个历史
history->shortcut = comp->history->shortcut;
history->stable = comp->history->stable;
} // 记录这时的ER项的灰度值与像素数
history->val = comp->grey_level;
history->size = comp->size; // 设置ER项的历史为找个最新的历史
comp->history = history;
} // merging two connected component
static void
MSERMergeComp(MSERConnectedComp* comp1,
MSERConnectedComp* comp2,
MSERConnectedComp* comp,
MSERGrowHistory* history)
{
LinkedPoint* head;
LinkedPoint* tail;
comp->grey_level = comp2->grey_level;
history->child = history;
// select the winner by size
if (comp1->size >= comp2->size)
{
if (NULL == comp1->history)
{
history->shortcut = history;
history->stable = ;
}
else {
comp1->history->child = history;
history->shortcut = comp1->history->shortcut;
history->stable = comp1->history->stable;
} // 如果组件2有stable,并且大于1的,则stable使用2的值
if (NULL != comp2->history && comp2->history->stable > history->stable)
history->stable = comp2->history->stable; // 使用数量多的
history->val = comp1->grey_level;
history->size = comp1->size;
// put comp1 to history
comp->var = comp1->var;
comp->dvar = comp1->dvar; // 如果组件1和2都有像素点,将两个链按照1->2连接在一起
if (comp1->size > && comp2->size > )
{
comp1->tail->next = comp2->head;
comp2->head->prev = comp1->tail;
} // 确定头尾
head = (comp1->size > ) ? comp1->head : comp2->head;
tail = (comp2->size > ) ? comp2->tail : comp1->tail;
// always made the newly added in the last of the pixel list (comp1 ... comp2)
}
else {
// 与上面的正好相反
if (NULL == comp2->history)
{
history->shortcut = history;
history->stable = ;
}
else {
comp2->history->child = history;
history->shortcut = comp2->history->shortcut;
history->stable = comp2->history->stable;
}
if (NULL != comp1->history && comp1->history->stable > history->stable)
history->stable = comp1->history->stable;
history->val = comp2->grey_level;
history->size = comp2->size;
// put comp2 to history
comp->var = comp2->var;
comp->dvar = comp2->dvar;
if (comp1->size > && comp2->size > )
{
comp2->tail->next = comp1->head;
comp1->head->prev = comp2->tail;
} head = (comp2->size > ) ? comp2->head : comp1->head;
tail = (comp1->size > ) ? comp1->tail : comp2->tail;
// always made the newly added in the last of the pixel list (comp2 ... comp1)
}
comp->head = head;
comp->tail = tail;
comp->history = history; // 新ER的像素数量是两个ER项的和
comp->size = comp1->size + comp2->size;
} /** @brief 通过delta计算给定ER项的偏差
*/
static float MSERVariationCalc(MSERConnectedComp* comp, int delta)
{
MSERGrowHistory* history = comp->history;
int val = comp->grey_level;
if (NULL != history)
{
// 从快捷路径开始往回找历史,找到灰度差大于delta的历史
MSERGrowHistory* shortcut = history->shortcut;
while (shortcut != shortcut->shortcut && shortcut->val + delta > val)
shortcut = shortcut->shortcut; // 由于快捷路径是直接跳过一些历史的,要找到最准确的历史还要从以前历史往当前找
MSERGrowHistory* child = shortcut->child;
while (child != child->child && child->val + delta <= val)
{
shortcut = child;
child = child->child;
}
// get the position of history where the shortcut->val <= delta+val and shortcut->child->val >= delta+val
// 更新快捷路径
history->shortcut = shortcut; // 返回(R-R(-delta)) / (R-delta)
return (float)(comp->size - shortcut->size) / (float)shortcut->size;
// here is a small modification of MSER where cal ||R_{i}-R_{i-delta}||/||R_{i-delta}||
// in standard MSER, cal ||R_{i+delta}-R_{i-delta}||/||R_{i}||
// my calculation is simpler and much easier to implement
} // 没有历史,结果为1。也就是没有-delta对应的值。
// 如果按照(R-R(-delta)) / R(-delta) = 1公式推导:
// R = 2R(-delta)
// 就面积来说,怎么两倍这种关系都比较奇怪,因为是xy两个维度的,每个维度提高sqrt(2)倍
return .;
} /** @brief 检查是否为最稳定极值区域
*/
static bool MSERStableCheck(MSERConnectedComp* comp, MSERParams params)
{
// 检查就是要确定水位的底是否是稳定的
// tricky part: it actually check the stablity of one-step back
// 稳定区域都是由比较而来的,不能没有上一个历史。
if (comp->history == NULL || comp->history->size <= params.minArea || comp->history->size >= params.maxArea)
return ; // diversity : (R(-1) - R(stable)) / R(-1)
// 使用水位的底与稳定时大小做比较
float div = (float)(comp->history->size - comp->history->stable) / (float)comp->history->size; // variation
float var = MSERVariationCalc(comp, params.delta); // 现在的variation要大于以前的variation,就是以前的更稳定
// 灰度值差是否大于1
int dvar = (comp->var < var || (unsigned long)(comp->history->val + ) < comp->grey_level);
int stable = (dvar && !comp->dvar && comp->var < params.maxVariation && div > params.minDiversity);
comp->var = var;
comp->dvar = dvar;
if (stable)
// 如果稳定的话,稳定值就是像素数
comp->history->stable = comp->history->size;
return stable != ;
} // add a pixel to the pixel list
/** @brief 添加像素到给定的MSER项中
*/
static void accumulateMSERComp(MSERConnectedComp* comp, LinkedPoint* point)
{
if (comp->size > )
{
// 之前有像素,连接到原来像素的链上
point->prev = comp->tail;
comp->tail->next = point;
point->next = NULL;
}
else {
// 第一个像素
point->prev = NULL;
point->next = NULL;
comp->head = point;
} // 新加入的点作为尾巴
comp->tail = point; // 像素数自增
comp->size++;
} // convert the point set to CvSeq
static CvContour* MSERToContour(MSERConnectedComp* comp, CvMemStorage* storage)
{
CvSeq* _contour = cvCreateSeq(CV_SEQ_KIND_GENERIC | CV_32SC2, sizeof(CvContour), sizeof(CvPoint), storage);
CvContour* contour = (CvContour*)_contour; // 上次历史就是水位的底,将水位的底都添加到轮廓中
cvSeqPushMulti(_contour, , comp->history->size);
LinkedPoint* lpt = comp->head;
for (int i = ; i < comp->history->size; i++)
{
CvPoint* pt = CV_GET_SEQ_ELEM(CvPoint, _contour, i);
pt->x = lpt->pt.x;
pt->y = lpt->pt.y;
lpt = lpt->next;
}
cvBoundingRect(contour);
return contour;
}
p.s. 以上代码有点长了:(
应用
下面对一些图片做实验,测试下mser的检出能力。
// 加载图像
Mat srcColor = imread(""); //创建MSER类
MSER ms( // delta
, // min area
, // max area
, 0.05f // max variation
, 0.4f // min diversity
); // edge blur size // 转换为灰度图
Mat srcGray;
cvtColor(srcColor, srcGray, CV_BGR2GRAY); //用于组块区域的像素点集
vector<vector<Point>> regions;
ms(srcGray, regions, Mat()); for (int i = ; i < regions.size(); i++)
{
//用连线绘制
////polylines(srcGray, regions[i], true, Scalar(0, 0, 255));
//用椭圆形绘制
ellipse(srcColor, fitEllipse(regions[i]), Scalar(, , ), );
}
可以看出mser对旋转和不同大小的字符都有一定的检出能力,但如果想对不同灰度变化也有能力,应该修改源码来适应了。
下次介绍mscr,用于在彩色图种查找稳定区域。
转载请注明出处,谢谢~
MSER最稳定极值区域源码分析的更多相关文章
- mser 最大稳定极值区域(文字区域定位)算法 附完整C代码
mser 的全称:Maximally Stable Extremal Regions 第一次听说这个算法时,是来自当时部门的一个同事, 提及到他的项目用它来做文字区域的定位,对这个算法做了一些优化. ...
- OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波
http://blog.csdn.net/chenyusiyuan/article/details/8710462 OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波 201 ...
- 【OpenCV】SIFT原理与源码分析:方向赋值
<SIFT原理与源码分析>系列文章索引:http://www.cnblogs.com/tianyalu/p/5467813.html 由前一篇<关键点搜索与定位>,我们已经找到 ...
- 【OpenCV】SIFT原理与源码分析:关键点搜索与定位
<SIFT原理与源码分析>系列文章索引:http://www.cnblogs.com/tianyalu/p/5467813.html 由前一步<DoG尺度空间构造>,我们得到了 ...
- 并发-HashMap和HashTable源码分析
HashMap和HashTable源码分析 参考: https://blog.csdn.net/luanlouis/article/details/41576373 http://www.cnblog ...
- Guava cacha 机制及源码分析
1.ehcahce 什么时候用比较好:2.问题:当有个消息的key不在guava里面的话,如果大量的消息过来,会同时请求数据库吗?还是只有一个请求数据库,其他的等待第一个把数据从DB加载到Guava中 ...
- spark源码分析以及优化
第一章.spark源码分析之RDD四种依赖关系 一.RDD四种依赖关系 RDD四种依赖关系,分别是 ShuffleDependency.PrunDependency.RangeDependency和O ...
- 鸿蒙内核源码分析(内存规则篇) | 内存管理到底在管什么 | 百篇博客分析OpenHarmony源码 | v16.02
百篇博客系列篇.本篇为: v16.xx 鸿蒙内核源码分析(内存规则篇) | 内存管理到底在管什么 | 51.c.h .o 内存管理相关篇为: v11.xx 鸿蒙内核源码分析(内存分配篇) | 内存有哪 ...
- 鸿蒙内核源码分析(内存主奴篇) | 皇上和奴才如何相处 | 百篇博客分析OpenHarmony源码 | v10.04
百篇博客系列篇.本篇为: v10.xx 鸿蒙内核源码分析(内存主奴篇) | 皇上和奴才如何相处 | 51.c.h .o 前因后果相关篇为: v08.xx 鸿蒙内核源码分析(总目录) | 百万汉字注解 ...
随机推荐
- Android无线测试之—UiAutomator UiDevice API介绍六
一.灭屏和唤醒屏幕相关知识: 1)灭屏:按电源键将屏幕熄灭 2)唤醒屏幕:在灭屏状态下按电源键唤醒屏幕 二.灭屏与唤屏相关的API: 返回值 方法名 描述 void wakeUp() 模拟按电源键,如 ...
- java 序列化的作用
public class Test { public static String requestUrl = "http://localhost/SpringMvc/test.do" ...
- 超哥mysql数据库部分blog整理:
总目录:mysql数据库阶段学习目录 https://www.cnblogs.com/clschao/articles/10065275.html Day1. 1.数据库初识 https://www. ...
- C#设计模式-单实例
单例模式就是保证在整个应用程序的生命周期中,在任何时刻,被指定的类只有一个实例,并为客户程序提供一个获取该实例的全局访问点. 1.经典的模式 namespace singleClass { class ...
- python生成器&迭代器
列表生成式 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 里每个值都加一 普通做法 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]for index,i in e ...
- jQuery 属性操作
1 css操作 2 文本操作 3 属性操作 4 位置 5 尺寸 1.css操作 addClass();// 添加指定的CSS类名. removeClass();// 移除指定的CSS类名. hasCl ...
- (4.14)存储:RAID在数据库存储上的应用
关键词:(4.14)存储:RAID在数据库存储上的应用 转自:http://blog.51cto.com/qianzhang/1251260 随着单块磁盘在数据安全.性能.容量上呈现出的局限,磁盘阵列 ...
- 010-spring事务管理
一.Spring的事务传播行为 事务是从哪里传播到哪里? 是从方法A传播至方法B. Spring事务类型详解: PROPAGATION_REQUIRED--如果当前没有事务,就新建一个事务.如果有,就 ...
- 【转】api网关
微服务之API网关 一.引言 随着互联网的快速发展,当前以步入移动互联.物联网时代.用户访问系统入口也变得多种方式,由原来单一的PC客户端,变化到PC客户端.各种浏览器.手机移动端及智能终端等.同时系 ...
- ajax发送js类型的数据
一.如图所示 var ids = [1,2,3,4,5,6,7] $.ajax({ url: requestUrl, type: 'delete', data: JSON.stringify(ids) ...