一些小概念
1.反投影直方图的结果是一个概率映射，体现了已知图像内容出现在图像中特定位置的概率。
2.概率映射可以找到最初的位置，从最初的位置开始并且迭代移动，便可以找到精确的位置，这就是均值漂移算法做的事情。
3.均值漂移算法是以迭代的方式锁定函数的局部最大值的。
关于均值漂移算法的过程(opencv)
其实均值漂移算法就是寻找预定义寻找区域中数据点的重心，或者说加权平均值。将寻找区域中心移动到数据点的重心处，并重复这个过程直到寻找区域重心收敛到一个稳定点。
OpenCV中定义了两种终止条件：迭代最大次数以及窗口重心的位移值（低于该值即认为算法收敛）。
在OpenCV中实现这个过程的是meanshift函数，其源代码如下：
#include "_cv.h"
CV_IMPL int
cvMeanShift( const void* imgProb, CvRect windowIn,
CvTermCriteria criteria, CvConnectedComp* comp )
{
//CvMoments用来计算矩形的重心，面积等形状特征
CvMoments moments;
int i = 0, eps;
CvMat stub, *mat = (CvMat*)imgProb;
CvMat cur_win;
CvRect cur_rect = windowIn;
CV_FUNCNAME( "cvMeanShift" );
//初始化跟踪窗口
if( comp )
comp->rect = windowIn;
//把0阶矩和1阶矩先初始化置零
moments.m00 = moments.m10 = moments.m01 = 0;
__BEGIN__;
CV_CALL( mat = cvGetMat( mat, &stub ));
//各种输入变量不符合要求时显示错误信息
if( CV_MAT_CN( mat->type ) > 1 )
CV_ERROR( CV_BadNumChannels, cvUnsupportedFormat );
if( windowIn.height <= 0 || windowIn.width <= 0 )
CV_ERROR( CV_StsBadArg, "Input window has non-positive sizes" );
if( windowIn.x < 0 || windowIn.x + windowIn.width > mat->cols ||
windowIn.y < 0 || windowIn.y + windowIn.height > mat->rows )
CV_ERROR( CV_StsBadArg, "Initial window is not inside the image ROI" );
//迭代的标准，精度=1.0，迭代次数=100
CV_CALL( criteria = cvCheckTermCriteria( criteria, 1., 100 ));
//精度eps=1
eps = cvRound( criteria.epsilon * criteria.epsilon );
//最大循环次数=最大迭代次数criteria.max_iter=100
for( i = 0; i < criteria.max_iter; i++ )
{
int dx, dy, nx, ny;
double inv_m00;
//选取搜索区域，对该矩形区域计算它的0,1阶矩
CV_CALL( cvGetSubRect( mat, &cur_win, cur_rect ));
CV_CALL( cvMoments( &cur_win, &moments ));
/* Calculating center of mass */
if( fabs(moments.m00) < DBL_EPSILON )
break;
//搜索区域的质量m00
inv_m00 = moments.inv_sqrt_m00*moments.inv_sqrt_m00;
//搜索区域的水平重心偏移dx
dx = cvRound( moments.m10 * inv_m00 - windowIn.width*0.5 );
//搜索区域的垂直重心偏移dy
dy = cvRound( moments.m01 * inv_m00 - windowIn.height*0.5 );
//搜索区域的重心坐标(nx,ny)
nx = cur_rect.x + dx;
ny = cur_rect.y + dy;
//跟踪目标处于图像边缘时进行一些相应的处理
if( nx < 0 )
nx = 0;
else if( nx + cur_rect.width > mat->cols )
nx = mat->cols - cur_rect.width;
if( ny < 0 )
ny = 0;
else if( ny + cur_rect.height > mat->rows )
ny = mat->rows - cur_rect.height;
dx = nx - cur_rect.x;
dy = ny - cur_rect.y;
cur_rect.x = nx;
cur_rect.y = ny;
/* Check for coverage centers mass & window */
//精度达到要求时即可退出循环
if( dx*dx + dy*dy < eps )
break;
}
__END__;
//对meanshift函数的返回值赋值
if( comp )
{
comp->rect = cur_rect;
comp->area = (float)moments.m00;
}
return i;
}对这个算法想仔细研究的同学可以参考一下Dorin Comaniciu 等人2002年写的：
《Mean Shift：A Robust Approach Toward Feature Space Analysis》
实际例子
例子代码
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include <opencv2\video\tracking.hpp>
#include <iostream>
#include <vector>
using namespace std;
#include "objectFinder.h"
#include "colorhistogram.h"
int main()
{
//读取参考图像
cv::Mat image= cv::imread("../3.jpg");
if (!image.data)
return 0;
//定义查找物体
cv::Mat imageROI= image(cv::Rect(85,200,64,64));
cv::rectangle(image, cv::Rect(85,200,64,64),cv::Scalar(0,0,255));
//显示参考图像
cv::namedWindow("第一张图片，标记篮球位置");
cv::imshow("第一张图片，标记篮球位置",image);
//获得色度直方图
ColorHistogram hc;
cv::MatND colorhist= hc.getHueHistogram(imageROI);
//读入目标图像
image= cv::imread("../4.jpg");
//显示目标图像
cv::namedWindow("第二张图片");
cv::imshow("第二张图片",image);
//将RGB图像图像转换为HSV图像
cv::Mat hsv;
cv::cvtColor(image, hsv, CV_BGR2HSV);
//分离图像通道
vector<cv::Mat> v;
cv::split(hsv,v);
//消除饱和度较低的像素点
int minSat=65;
cv::threshold(v[1],v[1],minSat,255,cv::THRESH_BINARY);
cv::namedWindow("第二张图片消除饱和度较低的像素点");
cv::imshow("第二张图片消除饱和度较低的像素点",v[1]);
//进行直方图反投影
ObjectFinder finder;
finder.setHistogram(colorhist);
finder.setThreshold(0.3f);
int ch[1]={0};
cv::Mat result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::namedWindow("第二张图片进行直方图反投影");
cv::imshow("第二张图片进行直方图反投影",result);
//利用位运算消除低饱和度像素
cv::bitwise_and(result,v[1],result);
cv::namedWindow("第二张图片利用位运算进一步消除低饱和度像素点");
cv::imshow("第二张图片利用位运算进一步消除低饱和度像素点",result);
// 得到反投影直方图概率图像
finder.setThreshold(-1.0f);
result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::bitwise_and(result,v[1],result);
cv::namedWindow("第二张图片处理后的二值图像");
cv::imshow("第二张图片处理后的二值图像",result);
cv::Rect rect(85,200,64,64);
cv::rectangle(image, rect, cv::Scalar(0,0,255));
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER,10,0.01);
cout << "均值漂移迭代次数 = " << cv::meanShift(result,rect,criteria) << endl;
cv::rectangle(image, rect, cv::Scalar(0,255,0));
//展示结果图
cv::namedWindow("查找结果，红框为第一幅图中篮球位置，绿框为现位置");
cv::imshow("查找结果，红框为第一幅图中篮球位置，绿框为现位置",image);
cv::waitKey();
return 0;
}
-END-
opencv2对读书笔记——使用均值漂移算法查找物体,布布扣,bubuko.com
原文地址：http://blog.csdn.net/zhurui_idea/article/details/32125431
