整個工程進展到這一步也算是不容易吧，但技術含量也不怎么高，中間亂起八糟的錯誤太煩人了，不管怎么樣，現在面臨了最大的困難吧，圖像處理算法。算法確實不好弄啊，雖然以前整過，但都不是針對圖像的。

現在的圖像算法太多了，好像誰都在研究，沒有一個統一的路線，看論文也是越看越糊涂，無奈之下還是自己好好學學吧，幸好隊友以前也搞過，大家也都愿意參與進來了，很開心！

首先改變下策略吧，之前一直在linux中直接在QT中利用OpenCV庫進行圖像處理的嘗試，但是效率太差了，每次想要結果，都要用板子，所以，現在改用OpenCV+vs2010現在PC上測試，直到滿意了再復制到板子上進行測試。

換工具，得先配置啊，還好之前搞過，使用的人也多，所以比較順利：參考博客

?

自己寫程序，測試結果編譯出錯：LINK : fatal error LNK1123: 轉換到 COFF 期間失敗: 文件無效或損壞

百度了， ?mod=viewthread&tid=10226 這個帖子不錯，安裝完補丁之后，編譯生成解決方案成功。

測試了小程序，可以使用了。

針對自己的問題吧，現在的問題是月牙提取不出來，所以絞盡腦汁、千方百計要把這月牙給分離出來，找方法一個一個試吧。

話說加入OpenCV后編譯又出現一個錯誤：

?

這個方法解決了。

首先我們已經對圖像進行了初步的分割，可以將指甲的輪廓提取出來，只是效果不是很理想?？梢钥吹绞芄庹沼绊懨黠@，需要采取措施解決光照問題。如下圖：

?

現在想要通過對扣取出來的圖片進行進一步處理，也就是對第二幅圖進行特征提取，從中找到我們所需的月牙，月牙和甲床面積比，月牙顏色，甲床顏色，甲床上是否有斑點、橫紋、縱紋，從而為后面的醫學診斷理論作依據。

既然基于灰度圖像已經不能再有任何進展了，不如就用彩色圖像分割吧。之前也探索過，發現還是有一定的效果的。

RGB顏色空間是圖像處理中最基本、最常用、面向硬件的顏色空間。我們采集到的彩色圖像，一般就是被分成R、G、B的成分加以保存的。然而，自然環境下獲取的果實圖像容易受自然光照、葉片遮擋和陰影等情況的影響，即對亮度比較敏感。而RGB顏色空間的分量與亮度密切相關，即只要亮度改變，3個分量都會隨之相應地改變。所以，RGB顏色空間適合于顯示系統，卻并不適合于圖像處理。

HSL 和 HSV（也叫HSB）是對RGB 色彩空間中點的兩種有關系的表示，它們嘗試描述比 RGB 更準確的感知顏色聯系，并仍保持在計算上簡單。

H指hue（色相）、S指saturation（飽和度）、L指lightness（亮度）、V指value(色調)、B指brightness（明度）。

色相（H）是色彩的基本屬性，就是平常所說的顏色名稱，如紅色、黃色等。
飽和度（S）是指色彩的純度，越高色彩越純，低則逐漸變灰，取0-100%的數值。
明度（V），亮度（L），取0-100%。

?

根據這幅圖就能很好地理解HSV空間了。所以接下來就采用彩色圖像進行分析看看效果。，貌似可以先將指甲摳出來。不管怎樣，先試試。

?

首先查論文，看到的好多是聚類方法，kmeans方法首先來，幸好OpenCV也有這函數，先來學學。

K-means算法是最為經典的基于劃分的聚類方法，是十大經典數據挖掘算法之一。K-means算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

我的OpenCV的版本是2.3.1. 其中Kmean的實現在modulescoresrcmatrix.cpp里面，這里要推薦一個博客，講得挺清楚：?p=8

例子可以看：

double cv::kmeans( InputArray _data, int K, InputOutputArray _bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray _centers )

下面就是分析這個函數了。

_data: 這個就是你要處理的數據，例如是一個CvMat數據

K : 你需要最終生成的cluster的數量

_bestLabels: 當cv::kmeans執行完畢以后, _bestLabels里面儲存的就是每一個對應的數據元素所在的cluster的index，這樣你就可以更新你的數據，就是標記矩陣。

criteria: 這個東西是用來告訴cv::kmeans以一個什么樣的停止條件來運行，例如criteria.epsilon = 0.01f;criteria.type = CV_TERMCRIT_EPS; 這個表示centers在兩輪cluster運行以后的距離差，如果這個距離小于等于criteria.epsilon就停止返回當前得到的centers，否則繼續

attempts: 最多嘗試多少次，文檔上說一般設置為2

flags: 這個主要是傳遞一些配置參數，例如 初始的時候使用user code給定的label –KMEANS_USE_INITIAL_LABELS，若使用kmeans++初始化算法– KMEANS_PP_CENTERS

_centers： 這個就是我們想要的結果了，該函數運行完畢以后，這個變量里面儲存所有的center的數據，也就是你想要的東西了，引用例子的程序，稍作修改就拿來用了。

void kmeans_mat(const Mat& src_img,Mat& dst_img)
{
int width_src=src_img.cols;
int height_src=src_img.rows;

Mat samples=Mat::zeros(width_src*height_src,1,CV_32FC3);//創建樣本矩陣，CV_32FC3代表32位浮點3通道（彩色圖像）
Mat clusters;//類別標記矩陣
int k=0;
for (int i=0;i)
{
for (int j=0;j)
{
//將像素點三通道的值按順序排入樣本矩陣
samples.at(k,0)[0]=(float)src_img.at(i,j)[0];
samples.at(k,0)[1]=(float)src_img.at(i,j)[1];
samples.at(k,0)[2]=(float)src_img.at(i,j)[2];
}
}
int nCuster=2;//聚類類別數，自己修改。
//聚類，KMEANS PP CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii
kmeans(samples,nCuster,clusters,TermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER,10,1.0),2,KMEANS_PP_CENTERS);

//顯示聚類結果
if (dst_img.empty())
{
dst_img=Mat::zeros(height_src,width_src,CV_8UC1);
}

k=0;
int val=0;
float step=255/(nCuster-1);
for (int i=0;i)
{
for (int j=0;j)
{
val=255-clusters.at(k,0)*step;//int
dst_img.at(i,j)=val;
}
}
}

來看看聚類結果先：

聚類效果還不錯，只是比原本的指甲小了點，需要進一步修改，或者和前面的邊緣提取相結合進行修正。而且聚類的數目需要人來控制。

我在opencv的處理中總是遇到一個問題：Bad argument (Ukown array type) in cvarrToMat,后來發現是opencv庫函數的使用問題，他有c的也有c++的，Mat一般是c++下的，所以用c的庫函數會出現這個問題。

另外c版本中的保存圖片為cvSaveImage()函數，c++版本中直接與matlab的相似，imwrite()函數。小插曲！