OpenCV欧几里得聚类与findContours的比较

Question

OpenCV欧几里得聚类与findContours的比较

8

我有以下图像掩模：

我想应用类似于cv::findContours的算法，但该算法仅将同一组中相连的点连接在一起。我想通过某些容差来实现这一点，即我想在给定半径容差内添加彼此附近的像素：这类似于欧几里得距离分层聚类。 OpenCV中是否已经实现了这个功能？或者是否有快速的方法来实现这一点？我想要的是类似于这个网站所示的东西：

http://www.pointclouds.org/documentation/tutorials/cluster_extraction.php

应用于此掩模的白色像素。谢谢。

- manatttta

你想让算法做什么并不清楚。你能展示另一张带有期望结果的图片吗？在某种程度上，形态学运算符似乎可以提供你所需的一切，所以我确定这不是问题所在。我们需要看到你试图实现的效果。 - Roger Rowland

@RogerRowland，形态学运算符不是我的选择，因为它们会扭曲我的边缘。我想要的是通过它们之间的欧几里得距离将掩模图像中的边缘分组。类似于http://www.pointclouds.org/documentation/tutorials/cluster_extraction.php的东西。 - manatttta

1

我认为@Humam的建议是不错的，尽管没有OpenCV实现。在OpenCV中进行聚类任务时，您不会得到比k-means或mean shift更多的东西。但是，既然您已经链接了一个示例算法，将其移植到OpenCV可能更简单（并且很可能您不需要3D）。 - Roger Rowland

1

@RogerRowland cv::partition非常适合这项任务。 - Miki

1

@Miki 很好的东西，这对我来说是新的，+1 为你的评论和答案。 - Roger Rowland

2个回答

2

我建议使用 DBSCAN 算法。它正是你正在寻找的。使用简单的欧几里得距离或曼哈顿距离可能效果更好。输入是所有白点（经过阈值处理）。输出是一组点（您的连通分量）。

这里有一个DBSCAN C++实现。

编辑：我自己尝试了 DBSCAN，这是结果：

如您所见，只有真正相连的点被视为一个簇。

此结果是使用标准的 DBSCAN 算法获得的，其中 EPS=3（静态不需要调整），MinPoints=1（也是静态的）和 曼哈顿距离。

- Humam Helfawi

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Miki · Accepted Answer

你可以使用partition来实现此功能:

partition将一个元素集合分割成等价类。您可以将等价类定义为给定欧几里得距离（半径公差）内的所有点。

如果你使用C++11，你可以简单地使用lambda函数:

int th_distance = 18; // radius tolerance

int th2 = th_distance * th_distance; // squared radius tolerance
vector<int> labels;

int n_labels = partition(pts, labels, [th2](const Point& lhs, const Point& rhs) {
    return ((lhs.x - rhs.x)*(lhs.x - rhs.x) + (lhs.y - rhs.y)*(lhs.y - rhs.y)) < th2; 
});

否则，您可以构建一个函数对象（在下面的代码中有详细说明）。

使用适当的半径距离（我发现18对这张图效果不错），我得到了：

完整代码：

#include <opencv2\opencv.hpp>
#include <vector>
#include <algorithm>

using namespace std;
using namespace cv;

struct EuclideanDistanceFunctor
{
    int _dist2;
    EuclideanDistanceFunctor(int dist) : _dist2(dist*dist) {}

    bool operator()(const Point& lhs, const Point& rhs) const
    {
        return ((lhs.x - rhs.x)*(lhs.x - rhs.x) + (lhs.y - rhs.y)*(lhs.y - rhs.y)) < _dist2;
    }
};

int main()
{
    // Load the image (grayscale)
    Mat1b img = imread("path_to_image", IMREAD_GRAYSCALE);

    // Get all non black points
    vector<Point> pts;
    findNonZero(img, pts);

    // Define the radius tolerance
    int th_distance = 18; // radius tolerance

    // Apply partition 
    // All pixels within the radius tolerance distance will belong to the same class (same label)
    vector<int> labels;

    // With functor
    //int n_labels = partition(pts, labels, EuclideanDistanceFunctor(th_distance));

    // With lambda function (require C++11)
    int th2 = th_distance * th_distance;
    int n_labels = partition(pts, labels, [th2](const Point& lhs, const Point& rhs) {
        return ((lhs.x - rhs.x)*(lhs.x - rhs.x) + (lhs.y - rhs.y)*(lhs.y - rhs.y)) < th2;
    });

    // You can save all points in the same class in a vector (one for each class), just like findContours
    vector<vector<Point>> contours(n_labels);
    for (int i = 0; i < pts.size(); ++i)
    {
        contours[labels[i]].push_back(pts[i]);
    }

    // Draw results

    // Build a vector of random color, one for each class (label)
    vector<Vec3b> colors;
    for (int i = 0; i < n_labels; ++i)
    {
        colors.push_back(Vec3b(rand() & 255, rand() & 255, rand() & 255));
    }

    // Draw the labels
    Mat3b lbl(img.rows, img.cols, Vec3b(0, 0, 0));
    for (int i = 0; i < pts.size(); ++i)
    {
        lbl(pts[i]) = colors[labels[i]];
    }

    imshow("Labels", lbl);
    waitKey();

    return 0;
}