514KBZIP
matlab得找极值的函数findpeak只能找一维极值，而且opencv没有对应的函数，所谓极值就是比周围的值都大，然后看需求要什么程度的极值：对于粘连目标，我用这个极值法求出极值然后+分水岭分割，效果比我之前试过的分割方法都好，而且简单耗时少。
Mat dist_image,eachpeaks,peaksshow;
distanceTransform(bwimg,dist_image, DIST_L2, 3);
vector<Punkt> peaks;
findPeaks(dist_image,lengthresh,peaks,eachpeaks);
Mat imglabels,segresult;
watershedSegmentProc(bwimg,eachpeaks,peaksshow,imglabels,segresult);
像这样找的中心区域点都比较准，然后分水岭分割时过分割就会较少。
但这个办法应该再优化一下，因为这样找的极值对单个大目标不友好，单个大目标会找出几个极值。至于优化的代码就不发了（公司内部使用）。
有一个疑惑：今天调试时，分水岭结果怎么还有未知区域没被分配：
这里竟然还有0—未知区域的值，明明是已经分水岭后的结果：
/*分水岭分割处理
* srcmatbw--------二值图 单通道
* everycenters----可分割石头的中心图，背景为黑色0，中心为白点255
* imglabels-------分水岭结果 背景是100，分界线是-1，可分割石头是1~N（可能有0已容错）
* */
int watershedSegmentProc(Mat &srcmatbw,Mat &everycenters,Mat &imglabels)
{
// int not_zero_count=countNonZero(srcmatbw);
// float white_count_thre=srcmatbw.rows*srcmatbw.cols;
// white_count_thre*=0.8;
// if((not_zero_count<20 )||(not_zero_count>(int)white_count_thre))
// {
// return 2;
// }
Mat element = getStructuringElement(MORPH_ELLIPSE, Size(11, 11));
Mat element2 = getStructuringElement(MORPH_ELLIPSE, Size(3, 3));
Mat binary_dilate;//every centers
dilate(everycenters, binary_dilate, element2, Point(-1, -1), 1);
Mat binary_8UC3;
vector<Mat> resultmats;
resultmats.push_back(srcmatbw);
resultmats.push_back(srcmatbw);
resultmats.push_back(srcmatbw);
merge(resultmats,binary_8UC3);
Mat unknown;//得到未知区域 即分界线的划分涉及区域
bitwise_xor(srcmatbw,binary_dilate,unknown);
//合并标记图像
Mat imgstats, imgcentroid;
connectedComponentsWithStats(binary_dilate, imglabels, imgstats, imgcentroid); //连通域标记
imglabels.convertTo(imglabels, CV_32SC1); //图像类型转换
imglabels = imglabels + 100;//背景区域像素为100
für (int i=0;i<unknown.rows;i++)
{
uchar* ptr = unknown.ptr<uchar>(i);
für (int j=0;j<unknown.cols;j++)
{
wenn (255==ptr[j])
{
imglabels.at<int>(i, j) = 0; //未知区域像素为0
}
}
}
//分水岭分割
watershed(binary_8UC3, imglabels);
}
那个0不知道怎么回事？！
/**********************************************************************/
关于opencv4.1调用tensorflow训练好的带有DropOut或BatchNorm节点的.pb模型，一个新同事说opencv c++不支持，我查了下：
Export tensorflow graph with batchnorm to opencv dnn – OpenCV Q&A Forum
OpenCV: modules/dnn/src/tensorflow/tf_importer.cpp | Fossies
How to load a Keras model build with tensorflow backend in OpenCV – OpenCV Q&A Forum
Tensorflow C++ 从训练到部署(3)：使用 Keras 训练和部署 CNN – 技术刘
C++ and the phase_train node · Issue #357 · davidsandberg/facenet · GitHub
查了一下opencv4.1源码，看到是写了fushBatchNorm的接口的，如果不支持，那opencv为什么要写这个接口，不是鸡肋吗：
看，的确可以识别这个节点的。我觉得就是要按opencv c++规定的方式来，它才来加载python下训练好的模型。
至于dropout节点，opencv源码中我暂时没看到，但是我看到网上讲了解决办法：
而且另一个人连在python下训练好带有dropout节点的模型然后opencv c++调用的代码都写好了。
所以我觉得这些不是不支持，opencv c++只是比python下严苛一些而已，按它的规则来就可以加载，只是我们还在弄清楚这些规则的路上而已。
今天翻墙找到一些非常有用的图像分割资料，可惜没有对应代码，有一篇特别好，是讲通过形状匹配或拟合来分割重叠不规则目标的。
希望自己有时间将其实现可以用在另一个项目中。下图是论文中的结果：感觉对high overlapping & out of focus的图效果较好
Ressourcenerklärung (der Kauf gilt als Zustimmung zu dieser Erklärung): 1. jede Operation in der Website-Plattform gilt als gelesen zu haben und stimmte der Unterseite der Website-Registrierung Vereinbarung und Haftungsausschluss, diese Website Ressourcen wurden ultra-niedrigen Preis, und bietet keine technische Unterstützung (2) Einige Netzwerk-Benutzer teilen sich die Netto-Disc-Adresse kann ungültig sein, wie das Auftreten von Fehlern, senden Sie bitte eine E-Mail an den Kundendienst code711cn#qq.com (ersetzen Sie # mit @) wird bis zu senden gemacht werden 3. diese Website bietet alle herunterladbaren Ressourcen (Software, etc.) Website, um sicherzustellen, dass keine negativen Veränderungen; aber diese Website kann nicht garantieren, die Richtigkeit, Sicherheit und Integrität der Ressourcen, die Benutzer-Downloads nach eigenem Ermessen, kommunizieren wir für die Zwecke der nicht alle den Quellcode zu lernen ist nicht 100% fehlerfrei oder keine Bugs; Sie müssen eine bestimmte Grundlage zu können, lesen und verstehen den Code, um in der Lage, das Debugging zu ändern haben! Code zu ändern und Fehler zu beheben. Gleichzeitig müssen die Nutzer dieser Seite verstehen, dass der Source Code Convenience Store keine Rechte an der zum Download bereitgestellten Software besitzt, das Urheberrecht gehört dem rechtlichen Eigentümer der Ressource. 4. alle Ressourcen auf dieser Website nur für Lern- und Forschungszwecke, bitte müssen innerhalb von 24 Stunden der heruntergeladenen Ressourcen gelöscht werden, verwenden Sie nicht für kommerzielle Zwecke, da sonst die rechtlichen Streitigkeiten, die sich aus der Website und der Herausgeber der Sicherheiten Haftung Website und wird nicht getragen werden! (5) Aufgrund der Reproduzierbarkeit der Ressourcen sind einmal erworbene Beträge nicht erstattungsfähig, und auch das Guthaben wird nicht zurückerstattet.
Chinese 
English 
Russian 
Japanese 
Korean 
Spanish 
French 
German 
Arabic