MeanShift算法
Mean shift 是一种机器学习算法，并不仅仅局限于图像上的应用。关于 Mean shift 算法介绍的书和文章很多，这里就不多介绍了。简单的说，Meanshift 算法是一种迭代算法，需要给一个初始的区域，然后这个算法会反复的调整这个区域，使得这个区域最吻合我们期望的特征。
OpenCV 中有两处用到了 Mean Shift 。分别是：
pyrMeanShiftFiltering
meanShift
这里只介绍第二个函数的使用方法。
我们的原始图像还是上次那个向日葵的图像，我们选中其中一朵向日葵来计算 Histogram，但是这次我们计算 Hue 通道的 Histogram：
之后用这个直方图数据在另外一个图像中用 Meanshift 算法去找向日葵。
下面是代码，首先加载原始图像。在原始图像中找到向日葵，计算向日葵区域的 Histogram。
cv::Mat image = cv::imread("D:\\向日葵.jpg");
cv::Mat imageROI = image(cv::Rect(130, 250, 75, 75));
ColorHistogram hist;
cv::Mat h = hist.getHueHistogram(imageROI, 65);
cv::imshow("pic", image);
ContentFinder finder;
finder.setHistogram(h);
finder.setThreshold(-1.0f);
之后加载我们要探测的图像，做 backproject，得到概率分布图。
cv::Mat image2 = cv::imread("D:\\02.jpg");
cv::Mat hsv;
cv::cvtColor(image2, hsv, CV_BGR2HSV);
int ch[1] = {0};
cv::Mat probImage = finder.find(hsv, 0.0, 180, ch);
cv::Mat img_color;
cv::applyColorMap(probImage, img_color, cv::COLORMAP_JET);
cv::imshow("backproject", img_color);
最后 Meanshift 就是在右图中找出概率最大的那个区域。对于这个问题来说，其实做个遍历就行。
meanshift 相比遍历效率更高。但是如果初始区域选的不好，有可能会找不到向日葵所在的区域。
所以meanshift 并不是万能的。
cv::Rect rect(100, 100, 200, 200);
cv::rectangle(image2, rect, cv::Scalar(255,0,0));
// cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER, 30, 1);
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS,
10,
1);
cv::meanShift(probImage, rect, criteria);
cv::rectangle(image2, rect, cv::Scalar(0,0,255));
cv::imshow("image2", image2);
下面是输出结果，蓝框是我们随便选的初始区域，红框是得到的结果。可以看到准确的找到了向日葵所在区域。
如果我们初始区域选的不太好，就会找不到向日葵。比如下面的代码。
cv::Rect rect(0, 0, 200, 200);
cv::rectangle(image2, rect, cv::Scalar(255,0,0));
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS,
10,
1);
cv::meanShift(probImage, rect, criteria);
cv::rectangle(image2, rect, cv::Scalar(0,0,255));
cv::imshow("image2", image2);
可以看到迭代了10次，但是区域一点没动。一般来说我们可以随机选择初始区域，如果一个区域 meanshift失败了，就再随机选另一个区域。这样试几次就能得到不错的结果。
以上就是OpenCV机器学习MeanShift算法笔记分享的详细内容，更多关于OpenCV机器学习的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/liyuanbhu/article/details/119978093