用c++对感兴趣区域的提取

一. 设计目的和意义通过设计，较全面地掌握各种图像提取算法的基本理论、原理和实现手段，并能分析感兴趣区域（ROI）提取效果及对进一步处理的影响，使学生具有一定综合分析问题和解决问题的能力。

二．设计内容和要求原始数据：所获取二值图像。

技术要求：（1）完成题目所要求技术：全面掌握与区域提取算法相关的基本理论、原理和实现手段；（2）通过仿真（实验）验证，编程实现对处理实景图像进行感兴趣区域提取的算法和实现手段，并进行结果分析。

设计要求：课程设计的目的在于培养学生的综合素质，要求学生做到：（1）根据题目要求查阅有关资料，确定方案，写出设计方案；（2）根据对选题的理解，消化查阅资料，给出相关的实现算法和理论根据；(3) 在Matlab或C++或VC环境下，实现算法，并给出仿真结果；(4) 对结果进行分析总结三．设计工作任务每个成员单独用一种方法，在Matlab或VC环境下运行程序，达到对图像感兴趣区域的提取的目的。

四．每种特征提取的代码和运行结果1 通过腐蚀实现轮廓提取（1）程序代码// DibImage.cpp: implementation of the CDibImage class.// DIB(Independent Bitmap) 函数：//// PaintDIB() - 绘制DIB对象// CreateDIBPalette() - 创建DIB对象调色板// FindDIBBits() - 返回DIB图像象素起始位置// DIBWidth() - 返回DIB宽度// DIBHeight() - 返回DIB高度// PaletteSize() - 返回DIB调色板大小// DIBNumColors() - 计算DIB调色板颜色数目// CopyHandle() - 拷贝内存块//// SaveDIB() - 将DIB保存到指定文件中// ReadDIBFile() - 重指定文件中读取DIB对象//////////////////////////////////////////////////////////////////////#include "stdafx.h"#include "TemplateTrans.h"#include "DibImage.h"#include "math.h"#ifdef _DEBUG#undef THIS_FILEstatic char THIS_FILE[]=__FILE__;#define new DEBUG_NEW#endif//////////////////////////////////////////////////////////////////////// Construction/Destruction////////////////////////////////////////////////////////////////////// CDibImage::CDibImage(){}CDibImage::~CDibImage(){}//////////////////////////////////////////////////////////////////////// function////////////////////////////////////////////////////////////////////// BOOL CDibImage::Enhance(LPSTR lpDIBBits,LONG lWidth,LONG lHeight) {//边缘检测LPSTR lpSrc;LPSTR lpDst;LPSTR lpNewDIBBits;HLOCAL hNewDIBBits;long i,j;unsigned char n,e,s,w,ne,se,nw,sw;unsigned char pixel;hNewDIBBits=LocalAlloc(LHND,lWidth*lHeight);if(hNewDIBBits==NULL){return FALSE;}lpNewDIBBits=(char *)LocalLock(hNewDIBBits);lpDst=(char *)lpNewDIBBits;memset(lpDst,(BYTE)255,lWidth*lHeight);for(j=1;j<lHeight-1;j++){for(i=1;i<lWidth-1;i++){lpSrc=(char*)lpDIBBits+lWidth*j+i;lpDst=(char*)lpNewDIBBits+lWidth*j+i;pixel=(unsigned char)*lpSrc;if(pixel!=255&&pixel!=0)return FALSE;if(pixel==0){*lpDst=(unsigned char)0;nw=(unsigned char)*(lpSrc+lWidth-1);n=(unsigned char)*(lpSrc+lWidth);ne=(unsigned char)*(lpSrc+lWidth+1);w=(unsigned char)*(lpSrc-1);e=(unsigned char)*(lpSrc+1);sw=(unsigned char)*(lpSrc-lWidth-1);s=(unsigned char)*(lpSrc-lWidth);se=(unsigned char)*(lpSrc-lWidth+1);if(nw+n+ne+w+e+sw+s+se==0){*lpDst=(unsigned char)255;}} } }memcpy(lpDIBBits,lpNewDIBBits,lWidth*lHeight);LocalUnlock(hNewDIBBits);LocalFree(hNewDIBBits);return TRUE; }（2）运行结果源图像处理后的图像2自定义FCm函数对图片进行提取（1）程序代码data=imread('cameraman.tif'); %读入图片的像素矩阵 %data=ima();data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有65536行（把每个像素点作为一个样本% ，65536个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(65536,1);%初始化A，为其分配空间A(1:65536)=data(1:65536);%将256*256的矩阵转化成为65536*1的矩阵data=A;% 转换结束后得到样本矩阵cluster_n=2;%标量,表示聚合中心数目,即类别数options=[2;257;1e-5;1]%初始化操作参数y=FCMClust(data, cluster_n, options)%调用模糊C子函数 FCMClust.m子程序1：% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类function [center, U, obj_fcn] = FCMClust(data, cluster_n, options) % 用法：% 1、[center,U,obj_fcn] = FCMClust(Data,N_cluster,options);% 2、 [center,U,obj_fcn] = FCMClust(Data,N_cluster);% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m维特征值% N_cluster ---- 标量,表示聚合中心数目,即类别数% options ---- 4x1矩阵，其中% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)% options(2): 最大迭代次数 (缺省值: 100)% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)% options(4): 每次迭代是否输出信息标志 (缺省值: 1)% 输出：% center ---- 聚类中心% U ---- 隶属度矩阵% obj_fcn ---- 目标函数值if nargin ~= 2 & nargin ~= 3, %判断输入参数个数只能是2个或3个error('Too many or too few input arguments!');enddata_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数in_n = size(data, 2); % 求出data的第二维(columns)数，即特征值长度% 默认操作参数default_options = [2; % 隶属度矩阵U的指数257; % 最大迭代次数1e-5; % 隶属度最小变化量,迭代终止条件1]; % 每次迭代是否输出信息标志if nargin == 2,options = default_options;else%分析有options做参数时候的情况% 如果输入参数个数是二那么就调用默认的option;if length(options) < 4, %如果用户给的opition数少于4个那么其他用默认值; tmp = default_options;tmp(1:length(options)) = options;options = tmp;end% 返回options中是数的值为0(如NaN),不是数时为1nan_index = find(isnan(options)==1);%将denfault_options中对应位置的参数赋值给options中不是数的位置.options(nan_index) = default_options(nan_index);if options(1) <= 1, %如果模糊矩阵的指数小于等于1error('The exponent should be greater than 1!');endend%将options 中的分量分别赋值给四个变量;expo = options(1); % 隶属度矩阵U的指数max_iter = options(2); % 最大迭代次数min_impro = options(3); % 隶属度最小变化量,迭代终止条件display = options(4); % 每次迭代是否输出信息标志obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn ,将其初始化为max_iter 行矩阵U = initfcm(cluster_n, data_n); % 初始化模糊分配矩阵即隶属矩阵,使U满足列上相加为1% Main loop 主要循环for i = 1:max_iter,%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);if display,fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));end% 终止条件判别if i > 1,if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro,break;end,endenditer_n = i; % 实际迭代次数obj_fcn(iter_n+1:max_iter) = [];center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:65536if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(256,256);b(1:65536)=data(1:65536);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')子程序2：% 子函数function U = initfcm(cluster_n, data_n)% 初始化fcm的隶属度函数矩阵% 输入:% cluster_n ---- 聚类中心个数% data_n ---- 样本点数% 输出：% U ---- 初始化的隶属度矩阵U = rand(cluster_n, data_n); %产生一个cluster_n*data_n的矩阵，其产生0-1之间的随机数col_sum = sum(U);% 返回包含A各列元素之和的一行，data_n列矩阵U = U./(ones(cluster_n,1)*col_sum);;%U点除以sum(U)为行向量的%cluster-n行矩阵以实现每列的元素之和为1即对其进行归一化处理子程序3：% 子函数function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)% 模糊C均值聚类时迭代的一步% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值% U ---- 隶属度矩阵% cluster_n ---- 标量,表示聚合中心数目,即类别数% expo ---- 隶属度矩阵U的指数% 输出：% U_new ---- 迭代计算出的新的隶属度矩阵% center ---- 迭代计算出的新的聚类中心% obj_fcn ---- 目标函数值mf = U.^expo; % 隶属度矩阵进行指数运算结果center = mf*data./((ones(size(data, 2), 1)*sum(mf'))') ;% 新聚类中心dist = distfcm(center, data); % 计算距离矩阵obj_fcn = sum(sum((dist.^2).*mf)); % 计算目标函数值tmp = dist.^(-2/(expo-1));U_new = tmp./(ones(cluster_n, 1)*sum(tmp)); % 计算新的隶属度矩阵子程序4：% 子函数function out = distfcm(center, data)% 计算样本点距离聚类中心的距离% 输入：% center ---- 聚类中心% data ---- 样本点% 输出：% out ---- 距离out = zeros(size(center, 1), size(data, 1));for k = 1:size(center, 1), % 对每一个聚类中心% 每一次循环求得所有样本点到一个聚类中心的距离out(k, :)=sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1)); end（2）运行结果源图像处理后的图像3通过调用FCM函数，采用模糊C均值处理对图像进行提取（1）程序代码data=imread('1.jpg'); %读入图片像素矩阵 %data=ima();data=double(data);data=data/1000.0; %由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有19600行（把每个像素点作为一个样本% ，19600个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(19600,1);%初始化A，为其分配空间A(1:19600)=data(1:19600);%将140*140的矩阵转化成为19600*1的矩阵data=A;% 转换结束后得到样本矩阵[center,U,obj_fcn]=fcm(data,2);%调用fcm函数center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:19600if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(140,140);b(1:19600)=data(1:19600);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')（2）运行结果源图像处理后的图像4通过设置门限进行二值化处理对图像进行提取（1）程序代码data=imread('cameraman.tif');%读入图片的像素矩阵 %data=ima(); data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错imshow(data)%显示原始图片title ('原始图像')data%通过设置门限值对它进行二值化处理for i=1:65536if (data(i)>0.1)data(i)=1;elsedata(i)=0;endendfigure,imshow(data)%二值化图像title ('二值化图像')（2）运行结果源图像处理后的图像五. 实习总结及心得“多维信息处理实践”是电子技术课程的实践性教学环节，是对我们学习电子技术的综合性训练。