邊緣檢測(cè)、閾值處理和區(qū)域生長(zhǎng)

1、醫(yī)學(xué)圖像處理實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)十三：邊緣檢測(cè)、閾值處理和區(qū)域生長(zhǎng)日期： 2014年05月27日摘要本次實(shí)驗(yàn)的目的是： 了解邊緣檢測(cè)原理，用梯度閾值法，使用Sobel算子結(jié)合平滑處理和閾值處理提取邊緣，； 了解閾值處理的計(jì)算方法，進(jìn)行全局閾值和Otsu（大律法）閾值處理。 了解區(qū)域生長(zhǎng)原理。對(duì)圖像做區(qū)域生長(zhǎng)提取圖像特征。本次實(shí)驗(yàn)的內(nèi)容是： 閾值處理 全局閾值處理 OTSU（大律法）閾值處理 梯度法檢測(cè)邊緣 區(qū)域生長(zhǎng)一、技術(shù)討論1.1實(shí)驗(yàn)原理1.1.1圖像的邊緣檢測(cè)邊緣：是指圖像局部特征的不連續(xù)性。灰度或結(jié)構(gòu)信息的突變。邊緣檢測(cè)：一種定位二維或三維圖像（特別是醫(yī)學(xué)圖像）中的對(duì)象的邊緣的系統(tǒng)。通過輸入端（

2、310）接收表示該圖像的各元素值的數(shù)據(jù)元素集。該數(shù)據(jù)集被存儲(chǔ)在存儲(chǔ)裝置（320）中。處理器（340）確定該圖像中的對(duì)象的邊緣。該處理器計(jì)算所述數(shù)據(jù)元素的至少一階和/或二階導(dǎo)數(shù)，并且計(jì)算該圖像的等照度線曲率，所述曲率由標(biāo)識(shí)。該處理器還確定校正因數(shù)，該校正因數(shù)對(duì)于由對(duì)象的曲率和/或所述數(shù)據(jù)的模糊造成的邊緣錯(cuò)位進(jìn)行校正。該校正因數(shù)取決于所述等照度線曲率。然后，該處理器確定取決于所計(jì)算出的導(dǎo)數(shù)和所述等照度線曲率的算子的過零點(diǎn)。該系統(tǒng)的輸出端（330）提供對(duì)于該圖像中的邊緣位置的指示。1.1.2圖像的Sobel梯度算子主要用作邊緣檢測(cè)。在技術(shù)上，它是一離散性差分算子，用來(lái)運(yùn)算圖像亮度函數(shù)的梯度之近似值。

3、該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像，其公式如下:圖像的每一個(gè)像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來(lái)計(jì)算梯度的大小。公式如下：計(jì)算梯度方向公式如下：在以上例子中，如果以上的角度等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。1.1.3全局閾值法全局閾值是指整幅圖像使用同一個(gè)閾值做分割處理，適用于背景和前景有明顯對(duì)比的圖像。它是根據(jù)整幅圖像確定的：T=T(f)。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對(duì)噪聲很敏感。常用的全局閾值

4、選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動(dòng)閾值法以及其它一些方法。1.1.4最佳閾值法（Otsu算法）該方法是根據(jù)圖像的灰度特征，將圖像劃分為目標(biāo)和背景兩種類型。目標(biāo)類和背景類之間的類間方差越大，說(shuō)明圖像的目標(biāo)和背景之間的差別越大。當(dāng)背景類信息被錯(cuò)誤的分為目標(biāo)類信息，或目標(biāo)類信息被錯(cuò)誤的分為背景類信息時(shí)，都會(huì)導(dǎo)致目標(biāo)和背景之間的差別變小。正是由于這一特性，只要使類間方差最大或類內(nèi)方差最小，這樣的分割就意味著最小的誤差，并且根據(jù)該準(zhǔn)則選取最佳閾值使得目標(biāo)和背景之間的分離性最好。1.1.5區(qū)域生長(zhǎng)區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。具體先對(duì)每

5、個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素(根據(jù)某種事先確定的生長(zhǎng)或相似準(zhǔn)則來(lái)判定)合并到種子像素所在的區(qū)域中。將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來(lái)。這樣一個(gè)區(qū)域就長(zhǎng)成了。1.2實(shí)驗(yàn)函數(shù)cvThreshold閾值處理.void cvThreshold( const CvArr* src, CvArr* dst,double threshold, double max_value, int threshold_type )src：輸入圖像；dst：輸出圖像；threshold：閾值；cvC

6、reateTrackbar創(chuàng)建trackbar并將它添加到指定的窗口。CV_EXTERN_C_FUNCPTR( void (*CvTrackbarCallback)(int pos) );int cvCreateTrackbar( const char* trackbar_name, const char* window_name, int* value, int count, CvTrackbarCallback on_change );trackbar_name被創(chuàng)建的trackbar名字。window_name窗口名字value整數(shù)指針，它的值將反映滑塊的位置。這個(gè)變量指定創(chuàng)建時(shí)的滑塊位

7、置。count滑塊位置的最大值。最小值一直是0。on_change每次滑塊位置被改變的時(shí)候，被調(diào)用函數(shù)的指針 二、結(jié)果與討論2.1實(shí)驗(yàn)結(jié)果（運(yùn)行每個(gè)程序，根據(jù)以下實(shí)驗(yàn)要求得到結(jié)果）1. 實(shí)驗(yàn)要求（與實(shí)驗(yàn)指導(dǎo)的實(shí)驗(yàn)要求相同）1、10-02（2）：可以隨時(shí)自選閾值，大家可以先用此程序嘗試出最佳閾值 （a） （b）圖2.1 程序10-02（2）結(jié)果，圖為大致最佳閾值2、10-02：本程序使用迭代法，比書本上的程序更加精確(完全使用書本上的公式做的，但不知道為什么就是出來(lái)這個(gè)結(jié)果)，但還不如Otsu，能直接輸出閾值，因?yàn)槭侵苯佑?jì)算，因此沒有參數(shù)要求，大家可以多換幾幅圖片試試。 （a）histogram

8、 （b）original pic （c）result圖2.2 10-02迭代法實(shí)驗(yàn)結(jié)果4、10-01：Sobel算子檢驗(yàn)邊緣，用blur()函數(shù)做了一個(gè)平滑處理，還用了一個(gè)閾值處理，因?yàn)檫x擇的圖像特征比較復(fù)雜，因此可以看到提取效果不是很好，自己找出平滑的模板大小為多少時(shí)，對(duì)應(yīng)閾值為多少時(shí)效果最好（盡量保留血管部分，除去其他部分）。由于程序會(huì)保存圖像，因此可以用10-03的程序找出最佳閾值。大家先熟悉10-03，找起來(lái)會(huì)很快Ø 先利用10-03求出最佳閾值，輸出結(jié)果為：125 init done.Ø 設(shè)置不同大小的平滑模板，并用不同的最佳閾值處理，結(jié)果如下：1）模板為5x5大

9、小時(shí)，55 init done （a）original pic （b）gradient （c）result2）模板為8x8大小時(shí)，30 init done （d）original pic （e）gradient （f）result3） 模板為15x15大小時(shí)，27 init done （g）original pic （h）gradient （i）result4）模板為20x20大小時(shí)，25 init done （j）original pic （k）gradient （l）result圖2.3 Sobel算子檢驗(yàn)邊緣實(shí)驗(yàn)結(jié)果5、10-04：區(qū)域生長(zhǎng)，目的是從圖片中提取出兩個(gè)大圈的輪廓，程序中從閾

10、值化圖像中提取出種子（可以改變閾值因子S，在195行），并使用種子做區(qū)域生長(zhǎng)（可以改變閾值因子Q，在225行），得到最佳邊界。（a）取不同的S和Q處理結(jié)果如下：1）S=0.95,Q=35 (a) 種子 (b)閾值處理 (c)區(qū)域生長(zhǎng)的結(jié)果2）S=0.9,Q=35 （d）種子 (e)閾值處理 (f)區(qū)域生長(zhǎng)的結(jié)果 3) S=0.85,Q=35 （g）種子 (h)閾值處理 (i)區(qū)域生長(zhǎng)的結(jié)果4) S=0.95,Q=25 （j）種子 (k)閾值處理 (l)區(qū)域生長(zhǎng)的結(jié)果圖2.4 區(qū)域生長(zhǎng)實(shí)驗(yàn)結(jié)果Ø 2.2實(shí)驗(yàn)討論開始10-03：Otsu閾值處理，也叫大律法閾值處理，要求寫出程序流程圖讀入

11、圖像遍歷每個(gè)像素得到整幅圖像的均值、前景均值、背景均值計(jì)算最佳閾值利用閾值處理圖像輸出結(jié)果像結(jié)束10-01：Sobel算子檢驗(yàn)邊緣，用blur()函數(shù)做了一個(gè)平滑處理，還用了一個(gè)閾值處理，因?yàn)檫x擇的圖像特征比較復(fù)雜，因此可以看到提取效果不是很好，自己找出平滑的模板大小為多少時(shí)，對(duì)應(yīng)閾值為多少時(shí)效果最好（盡量保留血管部分，除去其他部分）。由于程序會(huì)保存圖像，因此可以用10-03的程序找出最佳閾值。大家先熟悉10-03，找起來(lái)會(huì)很快，討論一下平滑模板和閾值分別對(duì)結(jié)果有什么影響由圖2.3結(jié)果可知，平滑模板的大小影響處理后圖片邊緣的寬窄，閾值的大小影響處理后圖像的清晰度。模版越大，處理后的圖像越模糊，

12、閾值處理后得到細(xì)節(jié)越少，并且保留的線條越粗。而模版大小越小，處理后的圖像模糊度越小，閾值處理后得到的細(xì)節(jié)越多，不過同時(shí)得到提取信息的效果就沒有那么好。由圖2.4結(jié)果，在控制Q不變時(shí)改變S，S越大，處理后的圖像的邊界越小，S越小，處理后的圖像的邊界越大。在控制S不變時(shí)改變Q，S越小，處理后的圖像的邊界越小，S越大，處理后的圖像的邊界越大。附錄（實(shí)驗(yàn)代碼）.pro程序：INCLUDEPATH+=C:Qtopencv2.2includeopencvC:Qtopencv2.2includeopencv2C:Qtopencv2.2includeLIBS+=C:Qtopencv2.2liblibcv.dl

13、l.aC:Qtopencv2.2liblibopencv_calib3d220.dll.aC:Qtopencv2.2liblibopencv_contrib220.dll.aC:Qtopencv2.2liblibopencv_core220.dll.aC:Qtopencv2.2liblibopencv_features2d220.dll.aC:Qtopencv2.2liblibopencv_flann220.dll.aC:Qtopencv2.2liblibopencv_gpu220.dll.aC:Qtopencv2.2liblibopencv_highgui220.dll.aC:Qtopenc

14、v2.2liblibopencv_imgproc220.dll.aC:Qtopencv2.2liblibopencv_legacy220.dll.aC:Qtopencv2.2liblibopencv_ml220.dll.aC:Qtopencv2.2liblibopencv_objdetect220.dll.aC:Qtopencv2.2liblibopencv_video220.dll.a2. 閾值處理：#include <stdio.h>#include <stdlib.h>#include <math.h>#include "cv.h"

15、#include "highgui.h"int main(void) IplImage *src_image = 0; IplImage *dst_image = 0; IplImage *dst_image_adaptive = 0; int c; int adaptive_method; int block_size; int offset; if( (src_image = cvLoadImage( "D:/3.tif", 0) = 0 ) return -1; dst_image = cvCreateImage(cvSize(src_image-

16、>width,src_image->height), IPL_DEPTH_8U, 1); cvNamedWindow( "Threshold", 1 ); dst_image_adaptive = cvCreateImage(cvSize(src_image->width,src_image->height), IPL_DEPTH_8U, 1); cvNamedWindow( "ThresholdAdaptive", 1); int thresh_val = 100; int thresh_valBef = 0; cvCreate

17、Trackbar( "thresh val", "Threshold", &thresh_val, 255, 0 ); adaptive_method = CV_ADAPTIVE_THRESH_MEAN_C; int adaptive_methodBef = 1; cvCreateTrackbar( "adaptive method", "ThresholdAdaptive", &adaptive_method, 1, 0 ); block_size = 1; int block_sizeBef =

18、 0; cvCreateTrackbar( "block size", "ThresholdAdaptive", &block_size, 60, 0 ); offset = 30; int offsetBef = 0; cvCreateTrackbar( "offset", "ThresholdAdaptive", &offset, 60, 0 ); for(;) if(thresh_valBef != thresh_val ) | (adaptive_methodBef != adaptive_

19、method ) | (block_sizeBef != block_size) | (offsetBef != offset) cvAdaptiveThreshold(src_image, dst_image_adaptive, (double)255, adaptive_method, CV_THRESH_BINARY, block_size*2+3, (double)(offset-30); cvShowImage("ThresholdAdaptive", dst_image_adaptive); cvThreshold(src_image, dst_image, (

20、double)thresh_val, (double)255, CV_THRESH_BINARY); cvShowImage("Threshold", dst_image); thresh_valBef = thresh_val; adaptive_methodBef = adaptive_method; block_sizeBef = block_size; offsetBef = offset; c = cvWaitKey(30); if( c = 'q' | c = 'Q' | (c & 255) = 27 | (c &

21、 255) = 32 ) break; cvDestroyWindow( "Threshold" );/銷毀窗口 cvDestroyWindow( "ThresholdAdaptive" );/銷毀窗口 cvReleaseImage( &src_image ); /釋放圖像 cvReleaseImage( &dst_image ); /釋放圖像 cvReleaseImage( &dst_image_adaptive ); /釋放圖像3. 全局閾值處理#include "cv.h"#include "c

22、xcore.h"#include "highgui.h"#include <iostream>using namespace cv;using namespace std;int hei;int wid;int BasicGlobalThreshold(IplImage* A) long N = hei * wid; int h256; for(int i = 0; i < 256; i+) hi = 0; uchar min=255,max=0; for(int i = 0; i < hei; i+) for(int j = 0; j &

23、lt; wid; j+) int k=(uchar*)(A->imageData + A->widthStep*i)j; if (k<min) min=k; if (k>max) max=k; hk+; int i,t,t1,t2,k1,k2; double u,u1,u2; t=0; u=0; for (i=min;i<max;i+) t+=hi; u+=i*hi; k2=(int) (u/t); / 計(jì)算此范圍灰度的平均值 do k1=k2; t1=0; u1=0; for (i=min;i<=k1;i+) / 計(jì)算低灰度組的累加和 t1+=hi; u1

24、+=i*hi; t2=t-t1; u2=u-u1; if (t1) u1=u1/t1; / 計(jì)算低灰度組的平均值 else u1=0; if (t2) u2=u2/t2; / 計(jì)算高灰度組的平均值 else u2=0; k2=(int) (u1+u2)/2); / 得到新的閾值估計(jì)值 while(abs(k1-k2)>0.001); / 數(shù)據(jù)未穩(wěn)定，繼續(xù) return k2;/直方圖均衡變換函數(shù)void Hist_image(IplImage *target_image) float range = 0,255; /直方圖的灰度級(jí)的范圍（以8bit圖為例）,range是一個(gè)數(shù)組 floa

25、t* ranges=range; /凡是變量前加了星號(hào)，都代表定義該變量是指針變量，就像ranges /不妨先定義我們將要畫的直方圖的尺寸，256×256 int hist_width=512; int hist_height=512; /原圖轉(zhuǎn)換為灰度圖 IplImage* gray_image = cvCreateImage(cvGetSize(target_image),8,1); cvZero(gray_image); cvCvtColor(target_image,gray_image,CV_BGR2GRAY); /獲取灰度圖一維直方圖的數(shù)據(jù)，統(tǒng)計(jì)圖像在0 255像素值的數(shù)

26、據(jù)情況，也就是說(shuō)灰度為0的像素有多少個(gè) /，像素為1的像素點(diǎn)有多少個(gè)。如此類推，這些數(shù)據(jù)都將會(huì)存在gray_hist里面 CvHistogram* gray_hist = cvCreateHist(1,&hist_width,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_image,gray_hist,0,0); /計(jì)算灰度圖像的一維直方圖,修改*gray_image可以獲得原來(lái)圖像的直方圖 /歸一化直方圖 cvNormalizeHist(gray_hist,1.0); int scale = 1; /創(chuàng)建一張一維直方圖的“圖”，橫坐標(biāo)設(shè)為

27、灰度級(jí)別，縱坐標(biāo)為像素個(gè)數(shù)（*scale） IplImage* hist_image = cvCreateImage(cvSize(hist_width*scale,hist_height),8,3); cvZero(hist_image); /統(tǒng)計(jì)直方圖中的最大直方塊 float max_value = 0; cvGetMinMaxHistValue(gray_hist, 0,&max_value,0,0); /分別將每個(gè)直方塊的值繪制到hist_image中 float bin_val; for(int i=0;i<hist_width;i+) bin_val = cvQue

28、ryHistValue_1D(gray_hist,i); /這里可以把bin_val理解為灰度級(jí)為i的概率 int intensity = cvRound(bin_val*hist_height/max_value); /要繪制的高度 cvRectangle( hist_image, cvPoint(i*scale,hist_height-1), cvPoint(i+1)*scale - 1, hist_height-intensity), CV_RGB(255,255,0); cvNamedWindow("Histogram"); cvShowImage("Hi

29、stogram",hist_image);int main () IplImage* img = cvLoadImage("D:/2.tif",1); IplImage* img0 = cvCreateImage(cvGetSize(img),img->depth,img->nChannels); hei = img->height; wid = img->width; cvCopy(img,img0); CvScalar s; float k; k=BasicGlobalThreshold(img); cout<<k; int

30、 sum=0; for (int i=0;i<img->height;i+) for (int j=0;j<img->width;j+) s = cvGet2D(img,i,j); sum = (s.val0+s.val1+s.val2)/3; if (sum > k)/閾值 s.val0=s.val1=s.val2=255; cvSet2D(img,i,j,s); else s.val0=s.val1=s.val2=0; cvSet2D(img,i,j,s); Hist_image(img0); cvNamedWindow("Origin image&

31、quot;); cvShowImage("Origin image",img0); cvNamedWindow("Result"); cvShowImage("Result",img); cvWaitKey(0);4. 最佳閾值處理#include <iostream>#include <math.h>#include <cv.h>#include <highgui.h>#include <stdio.h>#include <windows.h>using nam

32、espace std;int hei;int wid;void otsu(IplImage* A, IplImage* B)long N = hei * wid;int h256;double p256,u256,w256;for(int i = 0; i < 256; i+) hi = 0; pi = 0; ui = 0; wi = 0;for(int i = 0; i < hei; i+) for(int j = 0; j < wid; j+) for(int k = 0; k < 256; k+) if(uchar*)(A->imageData + A-&g

33、t;widthStep*i)j = k) hk+; for( int i = 0; i < 256; i+) pi = hi / double(N);int T = 0;double uT,thegma2fang;double thegma2fang_max = -10000;for(int k = 0; k < 256; k+) uT = 0; for(int i = 0; i <= k; i+) uk += i*pi; wk += pi; for(int i = 0; i < 256; i+) uT += i*pi; thegma2fang = (uT*wk - u

34、k)*(uT*wk - uk) / (wk*(1-wk); if(thegma2fang > thegma2fang_max) thegma2fang_max = thegma2fang; T = k; cout<<T;/顯示閾值for(int i = 0; i < hei; i+) for(int j = 0; j < wid; j+) if(uchar*)(A->imageData + A->widthStep*i)j > T) (uchar*)(B->imageData + B->widthStep*i)j = 255; els

35、e (uchar*)(B->imageData + B->widthStep*i)j = 0; int main(int argc, char* argv) IplImage* InPut = cvLoadImage( "D:/3.tif", 0 ); IplImage *OutPut = cvCreateImage(cvSize(InPut->width,InPut->height),IPL_DEPTH_8U,1); hei = InPut->height; wid = InPut->width; /計(jì)算閾值 otsu(InPut,Ou

36、tPut); cvNamedWindow( "Resource", 1 ); cvShowImage( "Resource", InPut ); cvNamedWindow( "Result", 1 ); cvShowImage( "Result", OutPut ); cvWaitKey(0);5. 梯度法檢測(cè)邊緣#include "cv.h"#include "cxcore.h"#include <iostream>#include <opencv2/c

37、ore/core.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv2/highgui/highgui.hpp>using namespace cv;using namespace std;int main(int argc, const char * argv) / 載入圖像 Mat source_image = imread("D:/1.tif", CV_LOAD_IMAGE_GRAYSCALE), img,imgx,imgx2,imgy,imgy2,Mx; imshow(

38、"orgin img", source_image ); / 建立Sobel算子模板，gx,因?yàn)樨?fù)值會(huì)變?yōu)?，因此還需要一個(gè)從下到上的 Mat gx = (Mat_<char>(3,3) << -1, -2, -1, 0, 0, 0, 1, 2, 1); Mat gx2 = (Mat_<char>(3,3) << 1, 2, 1, 0, 0, 0, -1, -2, -1); / 建立Sobel算子模板，gy Mat gy = (Mat_<char>(3,3) << -1, 0, 1, -2, 0, 2,

39、 -1, 0, 1); Mat gy2 = (Mat_<char>(3,3) << 1, 0, -1, 2, 0, -2, 1, 0, -1); /求偏導(dǎo)數(shù) blur(source_image, img,Size(10,10);/用10乘10的模板模糊化 filter2D( img, imgx, -1, gx ); filter2D( img, imgy, img.depth(), gy ); filter2D( img, imgx2, -1, gx2 ); filter2D( img, imgy2, img.depth(), gy2 ); Mx=imgx+imgy+i

40、mgx2+imgy2;/ imshow("gx", imgx2);/ imshow("gy", imgy2); imshow("gradient", Mx); imwrite("D:/11.tif",Mx);/保存 /讀取 IplImage* img0 = cvLoadImage("D:/11.tif",1); CvScalar s; int sum=0; for (int i=0;i<img0->height;i+) for (int j=0;j<img0->width

41、;j+) s = cvGet2D(img0,i,j); sum = (s.val0+s.val1+s.val2)/3; /這里可能考慮了三通道的緣故 if (sum > 128) s.val0=s.val1=s.val2=255; cvSet2D(img0,i,j,s); else s.val0=s.val1=s.val2=0; cvSet2D(img0,i,j,s); cvNamedWindow("Result"); cvShowImage("Result",img0); cvWaitKey(0);6. 區(qū)域生長(zhǎng)#include <cxco

42、re.h>#include <cv.h>#include <stack>#include <stdio.h>#include <opencv2/core/core.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv2/highgui/highgui.hpp>typedef struct/保存種子像素 int x; int y;seedpoint;/區(qū)域生長(zhǎng)，8連通區(qū)域，基于多個(gè)種子點(diǎn)，種子點(diǎn)可以自選，種子點(diǎn)在seed圖像內(nèi)設(shè)置為255void Grow

43、(IplImage* src,IplImage* seed, int t1)/ stack <seedpoint> seedd; seedpoint point; / 獲取圖像數(shù)據(jù),保存種子區(qū)域 int height = seed->height; int width = seed->width; int step = seed->widthStep; uchar* seed_data = (uchar *)seed->imageData; uchar* src_data=(uchar *)src->imageData; int temp; /將種子點(diǎn)

44、壓入堆棧 for(int i=0;i<height;i+) for(int j=0;j<width;j+) if(seed_datai*step+j=255) point.x=i; point.y=j; temp = src_datapoint.x*step+point.y; seedd.push(point); /取出種子點(diǎn)，分別作8鄰域生長(zhǎng) seedpoint temppoint; while(!seedd.empty() point=seedd.top(); seedd.pop(); if(point.x>0)&&(point.x<(height-1)&&(point.y>0)&&(point.y<(width-1) if(seed_data(point.x-1)*step+point.y=0)&&(abs(src_data(point.x-1)*step+point.y-temp) <= t1) seed_data(point.x-1)*step+point.y=255; temppoint.x=point.x-1; temppoint.y=