使用C++、opencv中的高斯混合模型（GMM）进行图像分割

关于GMM聚类的原理及过程可参考博客：https://blog.csdn.net/lin_limin/article/details/81048411

使用聚类的方法分割图像，即将图像的像素点值（通常用彩色图像，像素点值为一个三元数组（b,g,r））作为聚类的元素，从而将图像中所有的点分为n类，达到分割的效果。

代码：

#include "stdafx.h"#include<opencv2\opencv.hpp>#include <iostream>using namespace cv;using namespace ml;int main(int arc, char** argv) {	Mat src = imread("C:/Users/lenovo/Desktop/1.jpg");	namedWindow("input", WINDOW_NORMAL);	imshow("input", src);	int width = src.cols;	int height = src.rows;	int dims = src.channels();	int pointsCount = width * height;	Mat points(pointsCount, dims, CV_64FC1);	Mat labels;	//Scalar color[] = { Scalar(0,0,255), Scalar(0,255,0), Scalar(255,0,0) };	//将图像转换为一维数据点,传入训练器进行分类	int index = 0;	for (int i = 0; i < height; i++) {		for (int j = 0; j < width; j++) {			index = i * width + j;			points.at<double>(index, 0) = src.at<Vec3b>(i, j)[0];			points.at<double>(index, 1) = src.at<Vec3b>(i, j)[1];			points.at<double>(index, 2) = src.at<Vec3b>(i, j)[2];		}	}	//GMM分割（基于高斯混合模型的期望最大值）	Ptr<EM> em = EM::create();// 生成 EM 期望最大化，其图像分割的方式是基于机器学习的方式	em->setClustersNumber(2);// 设置分类数	em->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);// 协方差矩阵类型	// 迭代条件，EM训练比KMeans耗时，可能会不收敛，所以迭代次数设大点	em->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 100, 0.1));	// 进行EM训练，获得分类结果，参数labels与KMeans的labels参数意思一样，速度比KMeans要慢很多	em->trainEM(points, noArray(), labels, noArray());	//将数据点转换为图像并显示	Mat result1 = Mat::zeros(src.size(), CV_8UC3);	result1 = Scalar::all(0);	Mat result2 = Mat::zeros(src.size(), CV_8UC3);	result2 = Scalar::all(0);	//显示标签为0的部分	for (int i = 0; i < height; i++) 	{		for (int j = 0; j < width; j++)		{						index = i * width + j;			if (labels.at<int>(index, 0) == 0)			{				result1.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];				result1.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];				result1.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];			}		}	}	//显示标签为1的部分	for (int i = 0; i < height; i++) 	{		for (int j = 0; j < width; j++) 		{			index = i * width + j;			if (labels.at<int>(index, 0) == 1)			{				result2.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];				result2.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];				result2.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];			}		}	}	//显示	namedWindow("output1", WINDOW_NORMAL);	imshow("output1", result1);	namedWindow("output2", WINDOW_NORMAL);	imshow("output2", result2);	waitKey(0);	return 0;}

源图像：

结果图：

这里只是展示代码效果，实际上可以根据需要，将其他颜色参数（如H、S、I、L、a、b等）、颜色参数的组合（NRI、NGI、NBI等）作为分类的数据点传入训练器，这样可能会对复杂的分割有帮助。