图像处理之其他杂项（四）之cvSnakeImage()函数代码升级，从C接口到C++接口：snakeImage()

cvSnakeImage()函数代码升级，从C接口到C++接口：snakeImage()

1.snake算法存在于老版本的opencv中，采用的是C接口，函数为cvSnakeImage()，新版本opencv2中取消了这个函数，现对于网上存在的老代码进行升级为C++接口，适合opencv2中使用，对于算法的具体实现原理未具体明白，只是在原有代码的基础上按葫芦画瓢，对于相应代码、函数进行了替换，提供给大家参考。
2.因为对于SNAKE未真正深入领悟，更改代码肯定有错误之处，且现阶段运行结果存在问题，未实现最终理想效果，具体原因未知。
3.其中有些注释为老源代码带有。
4.老源代码：蚂蚁搬家　http://blog.csdn.net/hongxingabc/article/details/51606520　　《主动轮廓线模型Snake模型简介&openCV中cvSnakeImage()函数代码分析》
5.在此之前有个版本   对于老源代码做了些许兼容性改动，使代码可以在opencv2中运行，但总体还是C接口    http://blog.csdn.net/coming_is_winter/article/details/73010825      《cvSnakeImage改进升级兼容》。

/*
1.snake算法存在于老版本的opencv中，采用的是C接口，函数为cvSnakeImage()，新版本opencv2中取消了这个函数，现对于网上存在的老代码进行升级为C++接口，适合opencv2中使用，对于算法的具体实现原理未具体明白，只是在原有代码的基础上按葫芦画瓢，对于相应代码、函数进行了替换，提供给大家学习参考。
2.因为对于SNAKE未真正深入领悟，更改代码肯定有错误之处，且现阶段运行结果存在问题，未实现最终理想效果，具体原因未知。
3.其中有些注释为老源代码带有。
4.老源代码：蚂蚁搬家　http://blog.csdn.net/hongxingabc/article/details/51606520　　《主动轮廓线模型Snake模型简介&openCV中cvSnakeImage()函数代码分析》
5.在此之前有个版本   对于老源代码做了些许兼容性改动，使代码可以在opencv2中运行，但总体还是C接口    http://blog.csdn.net/coming_is_winter/article/details/73010825      《cvSnakeImage改进升级兼容》。
*/

#include<iostream>
#include<opencv.hpp>
using namespace std;
using namespace cv;
#define SNAKE_BIG 2.e+38f
#define SNAKE_IMAGE 1
#define SNAKE_GRAD  2
#define VALUE 30

int icvSnake8uC1R(unsigned char *src,   //原始图像数据
int srcStep,         //每行的字节数
Size roi,         //图像尺寸
Point * pt,       //轮廓点(变形对象)
int n,            //轮廓点的个数        //γ的值，同α
Size win,       //每个点用于搜索的最小的领域大小,宽度为奇数
TermCriteria criteria,   //递归迭代终止的条件准则
int scheme)         //确定图像能量场的数据选择，1为灰度，2为灰度梯度
{

int i, j, k;
int neighbors = win.height*win.width;    //当前点领域中点的个数
int centerx = win.width >> 1;
int centery = win.height >> 1;
float invn;        //n 的倒数
int iteration = 0;     //迭代次数
int converged = 0;      //收敛标志，0为非收敛

float *Econt=new float;    //能量
float *Ecurv= new float;   //轮廓曲线能量
float *Eimg= new float;    //图像能量
float *E= new float;      //

float *gradient = NULL;
uchar *map = NULL;
int map_width = ((roi.width - 1) >> 3) + 1;
int map_height = ((roi.height - 1) >> 3) + 1;
#define WTILE_SIZE 8
#define TILE_SIZE (WTILE_SIZE + 2)
short dx[TILE_SIZE*TILE_SIZE], dy[TILE_SIZE*TILE_SIZE];
Mat _dx = Mat(TILE_SIZE, TILE_SIZE, CV_16SC1, dx);
Mat _dy = Mat(TILE_SIZE, TILE_SIZE, CV_16SC1, dy);
Mat _src = Mat(roi.height, roi.width, CV_8UC1, src);

invn = 1 / ((float)n);        //轮廓点数n的倒数，用于求平均

if (scheme ==SNAKE_GRAD)
{

memset((void *)map, 0, map_width * map_height);
}

while (!converged)
{
float ave_d = 0;
int moved = 0;

converged = 0;
iteration++;

for (i = 1; i < n; i++)
{
int diffx = pt[i - 1].x - pt[i].x;
int diffy = pt[i - 1].y - pt[i].y;
ave_d += sqrt((float)(diffx * diffx + diffy * diffy));

}

//再加上从点n-1到点0的距离,形成回路轮廓
ave_d += sqrt((float)((pt[0].x - pt[n - 1].x) *
(pt[0].x - pt[n - 1].x) +
(pt[0].y - pt[n - 1].y) * (pt[0].y - pt[n - 1].y)));
//求平均，得出平均距离
ave_d *= invn;

//对于每个轮廓点进行特定循环迭代求解
for (i = 0; i < n; i++)
{

//初始化各个能量
float maxEcont = 0;
float maxEcurv = 0;
float maxEimg = 0;
float minEcont =SNAKE_BIG;
float minEcurv =SNAKE_BIG;
float minEimg =SNAKE_BIG;
float Emin =SNAKE_BIG;
//初始化变形后轮廓点的偏移量
int offsetx = 0;
int offsety = 0;
float tmp;

//计算边界
/* compute bounds */
//计算合理的搜索边界，以防领域搜索超过ROI图像的范围
int left = MIN(pt[i].x, win.width >> 1);
int right = MIN(roi.width - 1 - pt[i].x, win.width >> 1);
int upper = MIN(pt[i].y, win.height >> 1);
int bottom = MIN(roi.height - 1 - pt[i].y, win.height >> 1);
//初始化Econt
maxEcont = 0;
minEcont =SNAKE_BIG;
//在合理的搜索范围内进行Econt的计算
for (j = -upper; j <= bottom; j++)
{
for (k = -left; k <= right; k++)
{
int diffx, diffy;
float energy;
//在轮廓点集的首尾相接处作相应处理,求轮廓点差分
if (i == 0)
{
diffx = pt[n - 1].x - (pt[i].x + k);
diffy = pt[n - 1].y - (pt[i].y + j);
}
else
//在其他地方作一般处理

{
diffx = pt[i - 1].x - (pt[i].x + k);
diffy = pt[i - 1].y - (pt[i].y + j);
}
//将邻域陈列坐标转成Econt数组的下标序号，计算邻域中每点的Econt
//Econt的值等于平均距离和此点和上一点的距离的差的绝对值（这是怎么来的？）
Econt[(j + centery) * win.width + k + centerx] = energy =
(float)fabs(ave_d -
sqrt((float)(diffx * diffx + diffy * diffy)));
//求出所有邻域点中的Econt的最大值和最小值
maxEcont = MAX(maxEcont, energy);
minEcont = MIN(minEcont, energy);
}
}

//求出邻域点中最大值和最小值之差,并对所有的邻域点的Econt进行标准归一化,若最大值最小
//相等，则邻域中的点Econt全相等，Econt归一化束缚为0
tmp = maxEcont - minEcont;
tmp = (tmp == 0) ? 0 : (1 / tmp);
for (k = 0; k < neighbors; k++)
{
Econt[k] = (Econt[k] - minEcont) * tmp;
}

//计算每点的Ecurv
/*  Calculate Ecurv */
maxEcurv = 0;
minEcurv =SNAKE_BIG;
for (j = -upper; j <= bottom; j++)
{
for (k = -left; k <= right; k++)
{
int tx, ty;
float energy;
//第一个点的二阶差分
if (i == 0)
{
tx = pt[n - 1].x - 2 * (pt[i].x + k) + pt[i + 1].x;
ty = pt[n - 1].y - 2 * (pt[i].y + j) + pt[i + 1].y;
}
//最后一个点的二阶差分
else if (i == n - 1)
{
tx = pt[i - 1].x - 2 * (pt[i].x + k) + pt[0].x;
ty = pt[i - 1].y - 2 * (pt[i].y + j) + pt[0].y;
}
//其余点的二阶差分
else
{
tx = pt[i - 1].x - 2 * (pt[i].x + k) + pt[i + 1].x;
ty = pt[i - 1].y - 2 * (pt[i].y + j) + pt[i + 1].y;
}
//转换坐标为数组序号，并求各点的Ecurv的值,二阶差分后取平方
Ecurv[(j + centery) * win.width + k + centerx] = energy =
(float)(tx * tx + ty * ty);
//取最小的Ecurv和最大的Ecurv
maxEcurv = MAX(maxEcurv, energy);
minEcurv = MIN(minEcurv, energy);
}
}

//对Ecurv进行标准归一化
tmp = maxEcurv - minEcurv;
tmp = (tmp == 0) ? 0 : (1 / tmp);
for (k = 0; k < neighbors; k++)
{
Ecurv[k] = (Ecurv[k] - minEcurv) * tmp;
}

//求Eimg
/* Calculate Eimg */
for (j = -upper; j <= bottom; j++)
{
for (k = -left; k <= right; k++)
{
float energy;
//若采用灰度梯度数据
if (scheme ==SNAKE_GRAD)
{
/* look at map and check status */
int x = (pt[i].x + k) / WTILE_SIZE;
int y = (pt[i].y + j) / WTILE_SIZE;
//若此处的图像能量还没有获取，则对此处对应的图像分块进行图像能量的求解
if (map[y * map_width + x] == 0)
{
int l, m;

/* evaluate block location */
//计算要进行梯度算子处理的图像块的位置
int upshift = y ? 1 : 0;
int leftshift = x ? 1 : 0;
int bottomshift = MIN(1, roi.height - (y + 1)*WTILE_SIZE);
int rightshift = MIN(1, roi.width - (x + 1)*WTILE
bda4
_SIZE);
//图像块的位置大小（由于原ROI不一定是8的倍数，所以图像块会大小不一）
Rect g_roi = { x*WTILE_SIZE - leftshift, y*WTILE_SIZE - upshift,
leftshift + WTILE_SIZE + rightshift, upshift + WTILE_SIZE + bottomshift };
Mat _src1;
//cvGetSubArr(&_src, &_src1, g_roi);  //得到图像块的数据
//分别对图像的X方向和Y方向进行梯度算子
Sobel(_src1, _dx, 1, 0, 1);
Sobel(_src1, _dy, 1, 0, 1);
//pX.process(&_src1, &_dx);
//pY.process(&_src1, &_dy);
//求分块区域中的每个点的梯度
for (l = 0; l < WTILE_SIZE + bottomshift; l++)
{
for (m = 0; m < WTILE_SIZE + rightshift; m++)
{
gradient[(y*WTILE_SIZE + l) * roi.width + x*WTILE_SIZE + m] =
(float)(dx[(l + upshift) * TILE_SIZE + m + leftshift] *
dx[(l + upshift) * TILE_SIZE + m + leftshift] +
dy[(l + upshift) * TILE_SIZE + m + leftshift] *
dy[(l + upshift) * TILE_SIZE + m + leftshift]);
}
}
//map相应位置置1表示此处图像能量已经获取
map[y * map_width + x] = 1;
}
//以梯度数据作为图像能量
Eimg[(j + centery) * win.width + k + centerx] = energy =
gradient[(pt[i].y + j) * roi.width + pt[i].x + k];
}
else
{
//以灰度作为图像能量
Eimg[(j + centery) * win.width + k + centerx] = energy =
src[(pt[i].y + j) * srcStep + pt[i].x + k];
}
//获得邻域中最大和最小的图像能量
maxEimg = MAX(maxEimg, energy);
minEimg = MIN(minEimg, energy);
}
}

//Eimg的标准归一化
tmp = (maxEimg - minEimg);
tmp = (tmp == 0) ? 0 : (1 / tmp);

for (k = 0; k < neighbors; k++)
{
Eimg[k] = (minEimg - Eimg[k]) * tmp;
}
//加入系数
/* locate coefficients */

/* Find Minimize point in the neighbors */
//求得每个邻域点的Snake能量
for (k = 0; k < neighbors; k++)
{
E[k] = (float)( 40 * Econt[k] + 50 * Ecurv[k] +60 * Eimg[k]);

}

Emin =SNAKE_BIG;
//获取最小的能量，以及对应的邻域中的相对位置
for (j = -upper; j <= bottom; j++)
{
for (k = -left; k <= right; k++)
{

if (E[(j + centery) * win.width + k + centerx] < Emin)
{
Emin = E[(j + centery) * win.width + k + centerx];
offsetx = k;
offsety = j;
}
}
}

//如果轮廓点发生改变，则记得移动次数
if (offsetx || offsety)
{
pt[i].x += offsetx;
pt[i].y += offsety;
moved++;
}
}

//各个轮廓点迭代计算完成后，如果没有移动的点了，则收敛标志位有效，停止迭代
converged = (moved == 0);
//达到最大迭代次数时，收敛标志位有效，停止迭代
if ((criteria.type & 1) && (iteration >= criteria.maxCount))
converged = 1;
//到大相应精度时，停止迭代（与第一个条件有相同效果）
if ((criteria.type & 2) && (moved <= criteria.epsilon))
converged = 1;
}

return 0;
}

void snakeImage( Mat& src,Point* points,
int length,	 Size win,
TermCriteria criteria, int calcGradient)
{

Size size;
int step;

uchar* data = src.data;
step = src.cols;
size.height = src.rows;
size.width = src.cols;

icvSnake8uC1R(data, step, size, points, length, win, criteria,
1);
}

/*
以上代码为核心SNAKE算法代码，涉及到能量场问题，感觉头大，没有研究透，主要是根据设定，将预先找出的轮廓点集根据算法进行特定移动，能量场稳定后轮廓固定为收缩后效果，运算结束
*/

Mat image;
Mat image2;
Mat image3;
using namespace std;
int main()

{
image3 = imread("E://素材//圆.jpg", 1);
image2 = imread("E://素材//圆.jpg", 1);
image = imread("E://素材//圆.jpg", 0);

threshold(image, image, 147, 205, CV_THRESH_BINARY_INV); //请选取适当的阈值，进行操作
imshow("二值图", image);
vector<vector<Point>> contours;

findContours(image, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);//查找轮廓
int a = 0;
int j = 0;
for (int i = 0; i < contours.size(); i++)//这里的主要目的是选取出图像中的最大轮廓
{

if (a < contours[i].size())
{
j = i;
a = contours[i].size();
}
}

int length = contours[j].size();//最大轮廓的点集数
for (int i = 0; i < length; i++)//画出原始轮廓
{
int l = (i + 1) % length;
line(image2, contours[j][i], contours[j][l], Scalar(255, 0, 0), 2, 8, 0);

}

imshow("蓝色为原始轮廓", image2);

cout << "轮廓点的数量是 "<<length<<"个。程序已继续....\n\r";
waitKey(5000);
Point* points = new Point[length];
for (int i = 0; i < length; i++)
{
points[i] = contours[j][i];
cout <<"这是snake前第"<<i<<"个点:"<<"  "<< points[i]<<".\n\r";
waitKey(20);
}

Size size;
size.width =5;//这里我理解是后续能量场操作的窗口大小
size.height =5;
TermCriteria criteria;
criteria.type = CV_TERMCRIT_ITER;
criteria.maxCount = 1000;
criteria.epsilon = 0.1;

snakeImage(image, points,length, size, criteria, 0);//主要操作
//int length1 = points.
for (int i = 0; i < length; i++)
{
cout << "这是snake后第" << i << "个点:" << "  " << points[i] << ".\n\r";
waitKey(20);
}

for (int i = 0; i < length; i++)//画出处理后的轮廓
{
int j = (i + 1) % length;
line(image3, points[i], points[j], Scalar( 0,255, 0), 2, 8, 0);

}
imshow("绿色为SNAKE轮廓", image3);

waitKey(0);
//return 0;
}

最终实验结果如下图所示，有点怪，最理想的情况应该是比原轮廓更小的圆才对。