整个工程进展到这一步也算是不容易吧，但技术含量也不怎么高，中间乱起八糟的错误太烦人了，不管怎么样，现在面临了最大的困难吧，图像处理算法。算法确实不好弄啊，虽然以前整过，但都不是针对图像的。
现在的图像算法太多了，好像谁都在研究，没有一个统一的路线，看论文也是越看越糊涂，无奈之下还是自己好好学学吧，幸好队友以前也搞过，大家也都愿意参与进来了，很开心！
首先改变下策略吧，之前一直在linux中直接在QT中利用OpenCV库进行图像处理的尝试，但是效率太差了，每次想要结果，都要用板子，所以，现在改用OpenCV+vs2010现在PC上测试，直到满意了再复制到板子上进行测试。
换工具，得先配置啊，还好之前搞过，使用的人也多，所以比较顺利：参考博客
http://www.cnblogs.com/jamiechu/archive/2012/03/01/2376266.html
自己写程序，测试结果编译出错：LINK : fatal error LNK1123: 转换到 COFF 期间失败: 文件无效或损坏
百度了，http://www.cppleyuan.com/forum.php?mod=viewthread&tid=10226这个帖子不错，安装完补丁之后，编译生成解决方案成功。
测试了小程序，可以使用了。
针对自己的问题吧，现在的问题是月牙提取不出来，所以绞尽脑汁、千方百计要把这月牙给分离出来，找方法一个一个试吧。
话说加入OpenCV后编译又出现一个错误：
http://xuzhihong1987.blog.163.com/blog/static/2673158720122315223150/这个方法解决了。
首先我们已经对图像进行了初步的分割，可以将指甲的轮廓提取出来，只是效果不是很理想。可以看到受光照影响明显，需要采取措施解决光照问题。如下图：
现在想要通过对扣取出来的图片进行进一步处理，也就是对第二幅图进行特征提取，从中找到我们所需的月牙，月牙和甲床面积比，月牙颜色，甲床颜色，甲床上是否有斑点、横纹、纵纹，从而为后面的医学诊断理论作依据。
既然基于灰度图像已经不能再有任何进展了，不如就用彩色图像分割吧。之前也探索过，发现还是有一定的效果的。
RGB颜色空间是图像处理中最基本、最常用、面向硬件的颜色空间。我们采集到的彩色图像，一般就是被分成R、G、B的成分加以保存的。然而，自然环境下获取的果实图像容易受自然光照、叶片遮挡和阴影等情况的影响，即对亮度比较敏感。而RGB颜色空间的分量与亮度密切相关，即只要亮度改变，3个分量都会随之相应地改变。所以，RGB颜色空间适合于显示系统，却并不适合于图像处理。
HSL 和 HSV（也叫HSB）是对RGB 色彩空间中点的两种有关系的表示，它们尝试描述比 RGB 更准确的感知颜色联系，并仍保持在计算上简单。
H指hue（色相）、S指saturation（饱和度）、L指lightness（亮度）、V指value(色调)、B指brightness（明度）。
根据这幅图就能很好地理解HSV空间了。所以接下来就采用彩色图像进行分析看看效果。
，貌似可以先将指甲抠出来。不管怎样，先试试。
首先查论文，看到的好多是聚类方法，kmeans方法首先来，幸好OpenCV也有这函数，先来学学。
K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
我的OpenCV的版本是2.3.1. 其中Kmean的实现在modulescoresrcmatrix.cpp里面，这里要推荐一个博客，讲得挺清楚：http://www.hongquan.me/?p=8
例子可以看：http://blog.csdn.net/xwu6614555/article/details/8568030
double cv::kmeans( InputArray _data, int K, InputOutputArray _bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray _centers )
下面就是分析这个函数了。
_data: 这个就是你要处理的数据，例如是一个CvMat数据
K : 你需要最终生成的cluster的数量
_bestLabels: 当cv::kmeans执行完毕以后, _bestLabels里面储存的就是每一个对应的数据元素所在的cluster的index，这样你就可以更新你的数据，就是标记矩阵。
criteria: 这个东西是用来告诉cv::kmeans以一个什么样的停止条件来运行，例如criteria.epsilon = 0.01f;criteria.type = CV_TERMCRIT_EPS; 这个表示centers在两轮cluster运行以后的距离差，如果这个距离小于等于criteria.epsilon就停止返回当前得到的centers，否则继续
attempts: 最多尝试多少次，文档上说一般设置为2
flags: 这个主要是传递一些配置参数，例如 初始的时候使用user code给定的label –KMEANS_USE_INITIAL_LABELS，若使用kmeans++初始化算法– KMEANS_PP_CENTERS
_centers： 这个就是我们想要的结果了，该函数运行完毕以后，这个变量里面储存所有的center的数据，也就是你想要的东西了，引用例子的程序，稍作修改就拿来用了。
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);//创建样本矩阵，CV_32FC3代表32位浮点3通道（彩色图像） Mat clusters;//类别标记矩阵 int k=0; for (int i=0;i<height_src;i++) { for (int j=0;j<width_src;j++,k++) { //将像素点三通道的值按顺序排入样本矩阵 samples.at<Vec3f>(k,0)[0]=(float)src_img.at<Vec3b>(i,j)[0]; samples.at<Vec3f>(k,0)[1]=(float)src_img.at<Vec3b>(i,j)[1]; samples.at<Vec3f>(k,0)[2]=(float)src_img.at<Vec3b>(i,j)[2]; } } int nCuster=2;//聚类类别数，自己修改。 //聚类，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); //显示聚类结果 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<height_src;i++) { for (int j=0;j<width_src;j++,k++) { val=255-clusters.at<int>(k,0)*step;//int dst_img.at<uchar>(i,j)=val; } } }
来看看聚类结果先：
聚类效果还不错，只是比原本的指甲小了点，需要进一步修改，或者和前面的边缘提取相结合进行修正。而且聚类的数目需要人来控制。
我在opencv的处理中总是遇到一个问题：Bad argument (Ukown array type) in cvarrToMat,后来发现是opencv库函数的使用问题，他有c的也有c++的，Mat一般是c++下的，所以用c的库函数会出现这个问题。
另外c版本中的保存图片为cvSaveImage()函数，c++版本中直接与matlab的相似，imwrite()函数。小插曲！