Opencv学习教程之漫水填充算法实例详解

前言

基本思想是自动选中了和种子点相连的区域,接着将该区域替换成指定的颜色,经常用来标记或者分离图像的一部分进行处理或分析。漫水填充也可以用来从输入图像获取掩码区域,掩码会加速处理过程,或者只处理掩码指定的像素点。其中掩膜Mask用于进一步控制那些区域将被填充颜色(比如说当对同一图像进行多次填充时)。

int floodFill(inputoutputArray,inputoutputMask,seedPoint,Scalar newVal,Rect* rect=0,Scalar loDiff=Scalar(),Scalar upDiff=Scalar(),int flags=4) 

*第一个参数,输入/输出1通道或3通道,8位或浮点图像。

*第二个参数,表示操作掩膜,为单通道,8位,长宽都比输入图像大两个像素点的图像。漫水填充不会填充掩膜mask的非零像素区域,mask中与输入图像(x,y)像素点相对应的点的坐标为(x+1,y+1)。

*第三个参数,漫水填充算法的起始点。

*第四个参数,像素点被染色的值,即在重绘区域的新值。

*第五个参数,用于设置floodFill函数将要重绘区域的最小边界矩形区域,默认值0。

*第六个参数,当前观察像素值与其部件邻域像素值或待加入该部件的种子像素之间的亮度或颜色之负差的最大值。

*第七个参数,当前观察像素值与其部件邻域像素值或待加入该部件的种子像素之间的亮度或颜色之正差的最大值。

*第八个参数,操作标志符。

(1)低八位(第0~7位),用于控制算法的连通性,可取4(默认值)或者8。如果设为4,表示填充算法只考虑当前像素水平方向和垂直方向的相邻点。如果设为8,除上述相邻点外,还会包含对角线方向的相邻点。

(2)高八位部分(16~23位),可以为0或者如下两种选项标识符的组合。

*FLOODFILL_FIXED_RANGE:如果设置为这个标识符,就会考虑当前像素与种子像素之间的差,否则就考虑当前像素与其相邻像素的差,也就是说,这个范围是浮动的。

*FLOODFILL_MASK_ONLY:如果设置为这个标识符,函数不会去填充改变原始图像(也就是忽略第三个参数newVal),而是去填充掩膜图像(mask)。

(3)中间八位部分(8~15位),用于指定填充掩膜图像的值,若为0,则掩码会用1来填充。

#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<iostream>

using namespace cv;
using namespace std;

//全局变量声明
Mat g_srcImage,g_dstImage,g_grayImage,g_maskImage;
int g_nlowDifference=20,g_nupDifference=20;//负差、正差最大值
bool g_bIsColor=true;//是否为彩色标识符布尔值
bool g_bUseMask=false;//是否显示掩膜窗口的布尔值
int g_nFillMode=1;//漫水填充模式
int g_nConnectivity=4;//表示floodFill函数标识符第八位的连通值
int g_nNewMaskVal=255;//新的重新绘制的像素值

//鼠标消息onMouse回调函数
static void onMouse(int event,int x,int y,int ,void*)
{
 if(event != CV_EVENT_LBUTTONDOWN)//如果鼠标左键没有按下,便返回
  return;
//调用floodFill函数之前的参数准备部分**********
 Point seed =Point(x,y);
 int lowDifference=g_nFillMode==0?0:g_nlowDifference;//空范围的漫水填充,此值设为0,否则设为全局的g_nlowDifference
 int upDifference=g_nFillMode==0?0:g_nupDifference;//空范围的漫水填充,此值设为0,否则设为全局的g_nupDifference
 //标识符的0~7位为g_nConnectivity,8~15位为g_nNewMaskVal左移8位的值,16~23位为CV_FLOODFILL_FIXED_RANGE或者0
 int flags=g_nConnectivity+(g_nNewMaskVal<<8)+(g_nFillMode==1?CV_FLOODFILL_FIXED_RANGE:0);
 //随机生成b、g、r的值
 int b=(unsigned)theRNG() &255;//随即返回一个0~255之间的值
 int g=(unsigned)theRNG() &255;//随即返回一个0~255之间的值
 int r=(unsigned)theRNG() &255;//随即返回一个0~255之间的值

 Rect ccomp;//定义重绘区域的最小边界矩形区域
 //在重绘区域像素的新值,若是彩色图模式,取Scalar(b,g,r);若是灰度图模式,取Scalar(r*0.299+g*0.587+b*0.114)
 Scalar newVal=g_bIsColor?Scalar(b,g,r):Scalar(r*0.299+g*0.587+b*0.114);
 Mat dst=g_bIsColor?g_dstImage:g_grayImage;//目标图的赋值

 int area;

//正式调用floodFill函数**********************
 if(g_bUseMask)
 {
  threshold(g_maskImage, g_maskImage, 1, 128, CV_THRESH_BINARY);
  area=floodFill(dst, g_maskImage, seed,newVal,&ccomp,Scalar(lowDifference,lowDifference,lowDifference),Scalar(upDifference,upDifference,upDifference),flags);
  imshow("mask",g_maskImage);
 }
 else
 {
  area=floodFill(dst, seed, newVal, &ccomp,Scalar(lowDifference,lowDifference,lowDifference),Scalar(upDifference,upDifference,upDifference),flags);

 }
 imshow("Renderings",dst);
 cout<<area<<"个像素被重绘\n";

}
//main函数
int main()
{
 g_srcImage=imread("/Users/new/Desktop/1.jpg");//载入源图
 if(!g_srcImage.data){printf("读取图片srcImage错误~!\n");return false;}

 g_srcImage.copyTo(g_dstImage);//复制源图到目标图
 cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);//转换三通道的image0到灰度图
 g_maskImage.create(g_srcImage.rows+2, g_srcImage.cols+2, CV_8UC1);//利用Image0的尺寸来初始化掩膜mask
 namedWindow("Renderings",CV_WINDOW_AUTOSIZE);
 createTrackbar("Low difference:", "Renderings",&g_nlowDifference , 255,0);
 createTrackbar("Up difference:", "Renderings",&g_nupDifference , 255,0);

 setMouseCallback("Renderings", onMouse,0);//鼠标回调函数

 while(1)//循环轮询按键
 {
  imshow("Renderings",g_bIsColor?g_dstImage:g_grayImage);//显示效果图

  int c=waitKey(0);//获取键盘按键
   if((c & 255)==27)//判断ESC是否按下,若按下便退出
   {
    cout<<"程序退出......\n";
    break;
   }

  switch((char)c)
  {
    case '1'://如果键盘‘1'被按下,效果图在灰度图,彩色之间互换
     if(g_bIsColor)//若原来为彩色,转换为灰度图,并且将掩膜mask所有元素设置为0
     {
      cout<<"键盘'1'被按下,切换彩色/灰度模式,当前操作为将【彩色模式】切换为【灰度模式】\n";
      cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);
      g_maskImage=Scalar::all(0);
      g_bIsColor=false;
     }
     else//若原来为灰度图,便将原来的彩色图在此赋值给image,并且将掩膜mask所有元素置0
     {
      cout<<"键盘‘1'被按下, 切换彩色/灰度模式,当前操作为将【灰度模式】切换为【彩色模式】";
      g_srcImage.copyTo(g_dstImage);
      g_maskImage=Scalar::all(0);
      g_bIsColor=true;
     }
    break;
    case '2'://如果键盘‘2'被按下,显示/隐藏掩膜窗口
     if(g_bUseMask)
     {
      destroyWindow("mask");
      g_bUseMask=false;
     }
     else
     {
      namedWindow("mask",0);
      g_maskImage=Scalar::all(0);
      imshow("mask",g_maskImage);
      g_bUseMask=true;
     }
    break;
    case '3'://如果键盘'3'被按下,恢复原始图像
     cout<<"键盘‘3'被按下,恢复原始图像\n";
     g_srcImage.copyTo(g_dstImage);
     cvtColor(g_dstImage, g_grayImage, COLOR_BGR2GRAY);
     g_maskImage=Scalar::all(0);
    break;
    case '4'://如果键盘‘4'被按下,使用空范围的漫水填充
     cout<<"键盘‘4'被按下,使用空范围的漫水填充\n";
     g_nFillMode=0;
    break;
    case '5'://如果键盘‘5'被按下,使用渐变、固定范围的漫水填充
     cout<<"键盘'5'被按下,使用渐变、固定范围的漫水填充\n";
     g_nFillMode=1;
    break;
    case '6'://如果键盘‘6'被按下,使用渐变、浮动范围的漫水填充
     cout<<"键盘‘6'被按下,使用渐变、浮动范围的漫水填充\n";
     g_nFillMode=2;
    break;
    case '7'://如果键盘‘7'被按下,操作标识符的低八位使用4位的连接模式
     cout<<"键盘‘7'被按下,操作标识符的低八位使用4位的连接模式\n";
     g_nConnectivity=4;
    break;
    case '8'://如果键盘‘8'被按下,操作标识符的低八位使用8位的连接模式
     cout<<"键盘‘8'被按下,操作标识符的低八位使用8位的连接模式\n";
     g_nConnectivity=8;
    break;

  }

 }

 return 0;
}

原始彩色图片:

原始灰度图片:

灰度模式-固定范围的漫水填充:

彩色模式-固定范围的漫水填充:

彩色模式-浮动范围的漫水填充:

操作记录:

Opencv技巧

(1)theRNG():int b=(unsigned)theRNG() &255; //随即返回一个0~255之间的值

(2)threshold() :阈值函数

(3)Scalar():Scalar定义可存放1—4个数值的数值。

总结

以上就是这文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如有疑问大家可以留言交流,谢谢大家对我们的支持。

(0)

相关推荐

  • Opencv学习教程之漫水填充算法实例详解

    前言 基本思想是自动选中了和种子点相连的区域,接着将该区域替换成指定的颜色,经常用来标记或者分离图像的一部分进行处理或分析.漫水填充也可以用来从输入图像获取掩码区域,掩码会加速处理过程,或者只处理掩码指定的像素点.其中掩膜Mask用于进一步控制那些区域将被填充颜色(比如说当对同一图像进行多次填充时). int floodFill(inputoutputArray,inputoutputMask,seedPoint,Scalar newVal,Rect* rect=0,Scalar loDiff=

  • KnockoutJS数组比较算法实例详解

    这篇文章主要介绍了KnockoutJS数组比较算法实例详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 前端开发中,数组是一种非常有用的数据结构.这篇博客会解释并分析KnockoutJS实现中使用的数据比较算法. 算法的目的 KnockoutJS使用MVVM的思想,view model中的数组元素会对应data model中的数组数据,当用户进行输入或者请求后台时,数组数据会发生变更, 从而带动UI的更新.例如购物车类的页面,用户可以通过点击

  • java 中模式匹配算法-KMP算法实例详解

    java 中模式匹配算法-KMP算法实例详解 朴素模式匹配算法的最大问题就是太低效了.于是三位前辈发表了一种KMP算法,其中三个字母分别是这三个人名的首字母大写. 简单的说,KMP算法的对于主串的当前位置不回溯.也就是说,如果主串某次比较时,当前下标为i,i之前的字符和子串对应的字符匹配,那么不要再像朴素算法那样将主串的下标回溯,比如主串为"abcababcabcabcabcabc",子串为"abcabx".第一次匹配的时候,主串1,2,3,4,5字符都和子串相应的

  • JavaScript算法系列之快速排序(Quicksort)算法实例详解

    "快速排序"的思想很简单,整个排序过程只需要三步: (1)在数据集之中,选择一个元素作为"基准"(pivot). (2)所有小于"基准"的元素,都移到"基准"的左边:所有大于"基准"的元素,都移到"基准"的右边. (3)对"基准"左边和右边的两个子集,不断重复第一步和第二步,直到所有子集只剩下一个元素为止. 举例来说,现在有一个数据集{85, 24, 63, 45,

  • Java 选择排序、插入排序、希尔算法实例详解

    1.基本思想: 在要排序的一组数中,选出最小的一个数与第一个位置的数交换:然后在剩下的数当中再找最小的与第二个位置的数交换,如此循环到倒数第二个数和最后一个数比较为止. 2.实例 3.算法实现 /** * 选择排序算法 * 在未排序序列中找到最小元素,存放到排序序列的起始位置 * 再从剩余未排序元素中继续寻找最小元素,然后放到排序序列末尾. * 以此类推,直到所有元素均排序完毕. * @param numbers */ public static void selectSort(int[] nu

  • Java 归并排序算法、堆排序算法实例详解

    基本思想: 归并(Merge)排序法是将两个(或两个以上)有序表合并成一个新的有序表,即把待排序序列分为若干个子序列,每个子序列是有序的.然后再把有序子序列合并为整体有序序列. 归并排序示例: 合并方法: 设r[i-n]由两个有序子表r[i-m]和r[m+1-n]组成,两个子表长度分别为n-i +1.n-m. j=m+1:k=i:i=i; //置两个子表的起始下标及辅助数组的起始下标 若i>m 或j>n,转⑷ //其中一个子表已合并完,比较选取结束 //选取r[i]和r[j]较小的存入辅助数组

  • KMP 算法实例详解

    KMP 算法实例详解 KMP算法,是由Knuth,Morris,Pratt共同提出的模式匹配算法,其对于任何模式和目标序列,都可以在线性时间内完成匹配查找,而不会发生退化,是一个非常优秀的模式匹配算法. 分析:KMP模板题.KMP的关键是求出next的值.先预处理出next的值.然后一遍扫过.复杂度O(m+n) 实例代码: #include<stdio.h> #include<string.h> #define N 1000005 int s[N]; int p[N]; int n

  • python动态规划算法实例详解

    如果大家对这个生僻的术语不理解的话,那就先听小编给大家说个现实生活中的实际案例吧,虽然现在手机是相当的便捷,还可以付款,但是最初的时候,我们经常会使用硬币,其中,我们如果遇到手中有很多五毛或者1块钱硬币,要怎么凑出来5元钱呢?这么一个过程也可以称之为动态规划算法,下面就来看下详细内容吧. 从斐波那契数列看动态规划 斐波那契数列:Fn = Fn-1 + Fn-2 ( n = 1,2 fib(1) = fib(2) = 1) 练习:使用递归和非递归的方法来求解斐波那契数列的第 n 项 代码如下: #

  • pytorch中的nn.ZeroPad2d()零填充函数实例详解

    在卷积神经网络中,有使用设置padding的参数,配合卷积步长,可以使得卷积后的特征图尺寸大小不发生改变,那么在手动实现图片或特征图的边界零填充时,常用的函数是nn.ZeroPad2d(),可以指定tensor的四个方向上的填充,比如左边添加1dim.右边添加2dim.上边添加3dim.下边添加4dim,即指定paddin参数为(1,2,3,4),本文中代码设置的是(3,4,5,6)如下: import torch.nn as nn import cv2 import torchvision f

  • LRU LFU TinyLFU缓存算法实例详解

    目录 简介 一.LRU和LFU算法 LRU算法 LFU算法 小结: 二.TinyLFU 三.Window-TinyLFU 简介 前置知识 知道什么是缓存 听完本节公开课,你可以收获 掌握朴素LRU.LFU算法的思想以及源码 掌握一种流式计数的算法 Count-Min Sketch 手撕TinyLFU算法.分析Window-TinyLFU源码 一.LRU和LFU算法 LRU算法 LRU Least Recently Used 最近最少使用算法 LRU 算法的思想是如果一个数据在最近一段时间没有被访

随机推荐