OpenCV: extraction de la couleur basée sur le modèle de mélange Gaussien

Première Question:

Afin de faire extraction de la couleur, vous devez d'abord le train de l'EM avec votre entrée pixels. Après cela, il vous suffit de boucler sur tous les pixels de nouveau et utiliser predict() pour classer chacun d'eux. J'ai joint un petit exemple qui utilise EM pour l'avant-plan/arrière-plan de séparation basée sur les couleurs. Il vous montre comment extraire la couleur dominante (moyenne) de chaque gaussienne et comment accéder à l'origine de la couleur des pixels.

#include <opencv2/opencv.hpp>
int main(int argc, char** argv) {
cv::Mat source = cv::imread("test.jpg");
//ouput images
cv::Mat meanImg(source.rows, source.cols, CV_32FC3);
cv::Mat fgImg(source.rows, source.cols, CV_8UC3);
cv::Mat bgImg(source.rows, source.cols, CV_8UC3);
//convert the input image to float
cv::Mat floatSource;
source.convertTo(floatSource, CV_32F);
//now convert the float image to column vector
cv::Mat samples(source.rows * source.cols, 3, CV_32FC1);
int idx = 0;
for (int y = 0; y < source.rows; y++) {
cv::Vec3f* row = floatSource.ptr<cv::Vec3f > (y);
for (int x = 0; x < source.cols; x++) {
samples.at<cv::Vec3f > (idx++, 0) = row[x];
}
}
//we need just 2 clusters
cv::EMParams params(2);
cv::ExpectationMaximization em(samples, cv::Mat(), params);
//the two dominating colors
cv::Mat means = em.getMeans();
//the weights of the two dominant colors
cv::Mat weights = em.getWeights();
//we define the foreground as the dominant color with the largest weight
const int fgId = weights.at<float>(0) > weights.at<float>(1) ? 0 : 1;
//now classify each of the source pixels
idx = 0;
for (int y = 0; y < source.rows; y++) {
for (int x = 0; x < source.cols; x++) {
//classify
const int result = cvRound(em.predict(samples.row(idx++), NULL));
//get the according mean (dominant color)
const double* ps = means.ptr<double>(result, 0);
//set the according mean value to the mean image
float* pd = meanImg.ptr<float>(y, x);
//float images need to be in [0..1] range
pd[0] = ps[0] / 255.0;
pd[1] = ps[1] / 255.0;
pd[2] = ps[2] / 255.0;
//set either foreground or background
if (result == fgId) {
fgImg.at<cv::Point3_<uchar> >(y, x, 0) = source.at<cv::Point3_<uchar> >(y, x, 0);
} else {
bgImg.at<cv::Point3_<uchar> >(y, x, 0) = source.at<cv::Point3_<uchar> >(y, x, 0);
}
}
}
cv::imshow("Means", meanImg);
cv::imshow("Foreground", fgImg);
cv::imshow("Background", bgImg);
cv::waitKey(0);
return 0;
}

J'ai testé le code avec l'image suivante et il fonctionne très bien.

Deuxième Question:

J'ai remarqué que le nombre maximal de clusters a un impact énorme sur les performances. Il est donc préférable de la mettre à une très conservatrice de la valeur plutôt que de la laisser vide ou le paramètre le nombre d'échantillons comme dans votre exemple. En outre, la documentation mentionne une procédure itérative à plusieurs reprises optimiser le modèle avec le moins de contraintes paramètres. Peut-être que cela vous donne un peu de vitesse. Pour en savoir plus, veuillez regarder les docs à l'intérieur de l'échantillon de code est fourni pour le train() ici.

OriginalL'auteur AD-530