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

現(xiàn)在的圖像算法太多了，好像誰都在研究，沒有一個(gè)統(tǒng)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(xué)學(xué)吧，幸好隊(duì)友以前也搞過，大家也都愿意參與進(jìn)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(jìn)行圖像處理的嘗試，但是效率太差了，每次想要結(jié)果，都要用板子，所以，現(xiàn)在改用OpenCV+vs2010現(xiàn)在PC上測試，直到滿意了再復(fù)制到板子上進(jìn)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(jié)果編譯出錯(cuò)：LINK : fatal error LNK1123: 轉(zhuǎn)換到 COFF 期間失敗: 文件無效或損壞

百度了， ?mod=viewthread&tid=10226 這個(gè)帖子不錯(cuò)，安裝完補(bǔ)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(duì)自己的問題吧，現(xiàn)在的問題是月牙提取不出來，所以絞盡腦汁、千方百計(jì)要把這月牙給分離出來，找方法一個(gè)一個(gè)試吧。

話說加入OpenCV后編譯又出現(xiàn)一個(gè)錯(cuò)誤：

?

這個(gè)方法解決了。

首先我們已經(jīng)對(duì)圖像進(jìn)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(xiàn)在想要通過對(duì)扣取出來的圖片進(jìn)行進(jìn)一步處理，也就是對(duì)第二幅圖進(jìn)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(diǎn)、橫紋、縱紋，從而為后面的醫(yī)學(xué)診斷理論作依據(jù)。

既然基于灰度圖像已經(jīng)不能再有任何進(jìn)展了，不如就用彩色圖像分割吧。之前也探索過，發(fā)現(xiàn)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(huán)境下獲取的果實(shí)圖像容易受自然光照、葉片遮擋和陰影等情況的影響，即對(duì)亮度比較敏感。而RGB顏色空間的分量與亮度密切相關(guān)，即只要亮度改變，3個(gè)分量都會(huì)隨之相應(yīng)地改變。所以，RGB顏色空間適合于顯示系統(tǒng)，卻并不適合于圖像處理。

HSL 和 HSV（也叫HSB）是對(duì)RGB 色彩空間中點(diǎn)的兩種有關(guān)系的表示，它們嘗試描述比 RGB 更準(zhǔn)確的感知顏色聯(lián)系，并仍保持在計(jì)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(diào))、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(shù)值。
明度（V），亮度（L），取0-100%。

?

根據(jù)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(jìn)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(shù)，先來學(xué)學(xué)。

K-means算法是最為經(jīng)典的基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一。K-means算法的基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)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(jié)果。

我的OpenCV的版本是2.3.1. 其中Kmean的實(shí)現(xiàn)在modulescoresrcmatrix.cpp里面，這里要推薦一個(gè)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(gè)函數(shù)了。

_data: 這個(gè)就是你要處理的數(shù)據(jù)，例如是一個(gè)CvMat數(shù)據(jù)

K : 你需要最終生成的cluster的數(shù)量

_bestLabels: 當(dāng)cv::kmeans執(zhí)行完畢以后, _bestLabels里面儲(chǔ)存的就是每一個(gè)對(duì)應(yīng)的數(shù)據(jù)元素所在的cluster的index，這樣你就可以更新你的數(shù)據(jù)，就是標(biāo)記矩陣。

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

attempts: 最多嘗試多少次，文檔上說一般設(shè)置為2

flags: 這個(gè)主要是傳遞一些配置參數(shù)，例如 初始的時(shí)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