连通组件标记算法–算法修正版

简介: 连通组件标记算法–算法修正版 昨天使用自己修改的连通组件标记算法代码去对一个稍微复杂点的图片做皮肤的最大连通 区域识别,发现Java报了栈溢出错误,自己想了想,感觉是合并标记时其中一段递归的代 码的问题,修改为非递归以后,运行结果吓我一跳,发现更加的不对,最后发现原来我读 取标记时候使用了逻辑操作符&,导致标记超过255时候被低位截取。

连通组件标记算法–算法修正版

昨天使用自己修改的连通组件标记算法代码去对一个稍微复杂点的图片做皮肤的最大连通

区域识别,发现Java报了栈溢出错误,自己想了想,感觉是合并标记时其中一段递归的代

码的问题,修改为非递归以后,运行结果吓我一跳,发现更加的不对,最后发现原来我读

取标记时候使用了逻辑操作符&,导致标记超过255时候被低位截取。为了找到这个错误,

花了一个下午的时间重新完成了代码与测试。

 

一:基本原理如下


以前的有问题的算法版本连接,看这里:

http://blog.csdn.net/jia20003/article/details/7596443

二:完整的算法代码如下:

package com.gloomyfish.face.detection;

import java.util.Arrays;
import java.util.HashMap;

/**
 * fast connected component label algorithm
 * 
 * @date 2012-05-23
 * @author zhigang
 *
 */
public class AdjustableConnectedComponentLabelAlg {
	private int bgColor;
	public int getBgColor() {
		return bgColor;
	}

	public void setBgColor(int bgColor) {
		this.bgColor = bgColor;
	}

	private int[] outData;
	private int dw;
	private int dh;
	
	public AdjustableConnectedComponentLabelAlg() {
		bgColor = 255; // black color
	}

	public int[] doLabel(int[] inPixels, int width, int height) {
		dw = width;
		dh = height;
		int nextlabel = 1;
		int result = 0;
		outData = new int[dw * dh];
		for(int i=0; i<outData.length; i++) {
			outData[i] = 0;
		}
		
		// we need to define these two variable arrays.
		int[] eightNeighborhoodPixels = new int[8];
		int[] eightNeighborhoodLabels = new int[8];
		int[] knownLabels = new int[8];
		
		int srcrgb = 0, index = 0;
		boolean existedLabel = false;
		for(int row = 0; row < height; row ++) {
			for(int col = 0; col < width; col++) {
				index = row * width + col;
				srcrgb = inPixels[index] & 0x000000ff;
				if(srcrgb == bgColor) {
					result = 0; // which means no labeled for this pixel.
				} else {
					// we just find the eight neighborhood pixels.
					eightNeighborhoodPixels[0] = getPixel(inPixels, row-1, col); // upper cell
					eightNeighborhoodPixels[1] = getPixel(inPixels, row, col-1); // left cell
					eightNeighborhoodPixels[2] = getPixel(inPixels, row+1, col); // bottom cell
					eightNeighborhoodPixels[3] = getPixel(inPixels, row, col+1); // right cell
					
					// four corners pixels
					eightNeighborhoodPixels[4] = getPixel(inPixels, row-1, col-1); // upper left corner
					eightNeighborhoodPixels[5] = getPixel(inPixels, row-1, col+1); // upper right corner
					eightNeighborhoodPixels[6] = getPixel(inPixels, row+1, col-1); // left bottom corner
					eightNeighborhoodPixels[7] = getPixel(inPixels, row+1, col+1); // right bottom corner
					
					// get current possible existed labels
					eightNeighborhoodLabels[0] = getLabel(outData, row-1, col); // upper cell
					eightNeighborhoodLabels[1] = getLabel(outData, row, col-1); // left cell
					eightNeighborhoodLabels[2] = getLabel(outData, row+1, col); // bottom cell
					eightNeighborhoodLabels[3] = getLabel(outData, row, col+1); // right cell
					
					// four corners labels value
					eightNeighborhoodLabels[4] = getLabel(outData, row-1, col-1); // upper left corner
					eightNeighborhoodLabels[5] = getLabel(outData, row-1, col+1); // upper right corner
					eightNeighborhoodLabels[6] = getLabel(outData, row+1, col-1); // left bottom corner
					eightNeighborhoodLabels[7] = getLabel(outData, row+1, col+1); // right bottom corner
					
					int minLabel = 0;
					int count = 0;
					for(int i=0; i<knownLabels.length; i++) {
						if(eightNeighborhoodLabels[i] > 0) {
							existedLabel = true;
							knownLabels[i] = eightNeighborhoodLabels[i];
							minLabel = eightNeighborhoodLabels[i];
							count++;
						}
					}
					
					if(existedLabel) {
						if(count == 1) {
							result = minLabel;
						} else {
							int[] tempLabels = new int[count];
							int idx = 0;
							for(int i=0; i<knownLabels.length; i++) {
								if(knownLabels[i] > 0){
									tempLabels[idx++] = knownLabels[i];
								}
								if(minLabel > knownLabels[i] && knownLabels[i] > 0) {
									minLabel = knownLabels[i];
								}
							}
							result = minLabel;
							mergeLabels(index, result, tempLabels);
						}
					} else {
						result = nextlabel;
						nextlabel++;
					}
					outData[index] = result;
					// reset and cleanup the known labels now...
					existedLabel = false;
					for(int kl = 0; kl < knownLabels.length; kl++) {
						knownLabels[kl] = 0;
					}
				}
			}
		}
		
		// labels statistic
		HashMap<Integer, Integer> labelMap = new HashMap<Integer, Integer>();
		for(int d=0; d<outData.length; d++) {
			if(outData[d] != 0) {
				if(labelMap.containsKey(outData[d])) {
					Integer count = labelMap.get(outData[d]);
					count+=1;
					labelMap.put(outData[d], count);
				} else {
					labelMap.put(outData[d], 1);
				}
			}
		}
		
		// try to find the max connected component
		Integer[] keys = labelMap.keySet().toArray(new Integer[0]);
		Arrays.sort(keys);
		int maxKey = 1;
		int max = 0;
		for(Integer key : keys) {
			if(max < labelMap.get(key)){
				max = labelMap.get(key);
				maxKey = key;
			}
			System.out.println( "Number of " + key + " = " + labelMap.get(key));
		}
		System.out.println("maxkey = " + maxKey);
		System.out.println("max connected component number = " + max);
		return outData;
	}
	
	private void mergeLabels (int index, int result, int[] labels) {
		for(int i=0; i<labels.length; i++) {
			if(labels[i] == result) continue;
			mergeLabel(index, result, labels[i]);
		}
	}

	private void mergeLabel(int index, int result, int i) {

		int row = index / dw;
		int idx = 0;
		for(int k = 0; k <= row; k++) {
			for(int col = 0; col < dw; col++) {
				idx = k * dw + col;
				if(outData[idx] == i) {
					outData[idx] = result;
				}
			}
		}
		
	}
	
	private int getLabel(int[] data, int row, int col) {
		// handle the edge pixels
		if(row < 0 || row >= dh) {
			return 0;
		}
		
		if(col < 0 || col >= dw) {
			return 0;
		}
		
		int index = row * dw + col;
		return (data[index] & 0xffffffff);
		
		// it's difficulty for me to find the data overflow issue......
		// return (data[index] & 0x000000ff); defect, @_@
	}

	private int getPixel(int[] data, int row, int col) {
		// handle the edge pixels
		if(row < 0 || row >= dh) {
			return bgColor;
		}
		
		if(col < 0 || col >= dw) {
			return bgColor;
		}
		
		int index = row * dw + col;
		return (data[index] & 0x000000ff);
	}

	/**
	 * binary image data:
	 * 
	 * 255, 0,   0,   255,   0,   255, 255, 0,   255, 255, 255,
	 * 255, 0,   0,   255,   0,   255, 255, 0,   0,   255, 0,
	 * 255, 0,   0,   0,     255, 255, 255, 255, 255, 0,   0,
	 * 255, 255, 0,   255,   255, 255, 0,   255, 0,   0,   255
	 * 255, 255, 0,   0,     0,   0,   255, 0,   0,   0,   0
	 * 
	 * height = 5, width = 11
	 * @param args
	 */
	public static int[] imageData = new int[]{
		 255, 0,   0,   255,   0,   255, 255, 0,   255, 255, 255,
		 255, 0,   0,   255,   0,   255, 255, 0,   0,   255, 0,
		 255, 0,   0,   255,     255, 255, 255, 255, 255, 0,   0,
		 255, 255, 0,   255,   255, 255, 0,   255, 0,   0,   255,
		 255, 255, 0,   0,     0,   0,   255, 255,   0,   0,   0,
		 255, 255, 255, 255,   255, 255, 255, 255, 255, 255, 255,
		 255, 0,   255, 0,     255, 0,   0,   255, 255, 255, 255,
		 255, 255, 0,   0,     255, 255, 255, 0,   0,   255, 255
	};
	
	public static void main(String[] args) {
		AdjustableConnectedComponentLabelAlg ccl = new AdjustableConnectedComponentLabelAlg();
		int[] outData = ccl.doLabel(imageData, 11, 8);
		for(int i=0; i<8; i++) {
			System.out.println("--------------------");
			for(int j = 0; j<11; j++) {
				int index = i * 11 + j;
				if(j != 0) {
					System.out.print(",");
				}
				System.out.print(outData[index]);
			}
			System.out.println();
		}
	}

}
目录
相关文章
|
16天前
|
XML JavaScript 前端开发
学习react基础(1)_虚拟dom、diff算法、函数和class创建组件
本文介绍了React的核心概念,包括虚拟DOM、Diff算法以及如何通过函数和类创建React组件。
16 2
|
3月前
|
算法 Java
Java面试题:解释垃圾回收中的标记-清除、复制、标记-压缩算法的工作原理
Java面试题:解释垃圾回收中的标记-清除、复制、标记-压缩算法的工作原理
49 1
|
3月前
|
算法 Java 程序员
Java面试题:解释Java的垃圾回收机制,包括常见的垃圾回收算法。介绍一下Java的垃圾回收算法中的标记-压缩算法。
Java面试题:解释Java的垃圾回收机制,包括常见的垃圾回收算法。介绍一下Java的垃圾回收算法中的标记-压缩算法。
39 0
|
4月前
|
存储 算法 安全
JVM-内存划分-垃圾回收器-回收算法-双亲委派-三色标记
JVM-内存划分-垃圾回收器-回收算法-双亲委派-三色标记
|
4月前
|
算法 计算机视觉
图像处理之基于图的广度优先搜索组件标记算法
图像处理之基于图的广度优先搜索组件标记算法
22 0
|
4月前
|
算法 Java
连通组件标记算法–算法修正版
连通组件标记算法–算法修正版
18 0
|
2天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA遗传优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
该算法结合了遗传算法(GA)与分组卷积神经网络(GroupCNN),利用GA优化GroupCNN的网络结构和超参数,提升时间序列预测精度与效率。遗传算法通过模拟自然选择过程中的选择、交叉和变异操作寻找最优解;分组卷积则有效减少了计算成本和参数数量。本项目使用MATLAB2022A实现,并提供完整代码及视频教程。注意:展示图含水印,完整程序运行无水印。
|
1天前
|
算法 决策智能
基于禁忌搜索算法的VRP问题求解matlab仿真,带GUI界面,可设置参数
该程序基于禁忌搜索算法求解车辆路径问题(VRP),使用MATLAB2022a版本实现,并带有GUI界面。用户可通过界面设置参数并查看结果。禁忌搜索算法通过迭代改进当前解,并利用记忆机制避免陷入局部最优。程序包含初始化、定义邻域结构、设置禁忌列表等步骤,最终输出最优路径和相关数据图表。
|
2天前
|
编解码 算法 数据挖掘
基于MUSIC算法的六阵元圆阵DOA估计matlab仿真
该程序使用MATLAB 2022a版本实现基于MUSIC算法的六阵元圆阵DOA估计仿真。MUSIC算法通过区分信号和噪声子空间,利用协方差矩阵的特征向量估计信号到达方向。程序计算了不同角度下的MUSIC谱,并绘制了三维谱图及对数谱图,展示了高分辨率的DOA估计结果。适用于各种形状的麦克风阵列,尤其在声源定位中表现出色。
|
8天前
|
传感器 算法 C语言
基于无线传感器网络的节点分簇算法matlab仿真
该程序对传感器网络进行分簇,考虑节点能量状态、拓扑位置及孤立节点等因素。相较于LEACH算法,本程序评估网络持续时间、节点死亡趋势及能量消耗。使用MATLAB 2022a版本运行,展示了节点能量管理优化及网络生命周期延长的效果。通过簇头管理和数据融合,实现了能量高效和网络可扩展性。