最大稳定极值区域（MSER-Maximally Stable Extremal Regions）可以用于图像的斑点区域检测。该算法最早是由Matas等人于2002年提出，它是基于分水岭的概念。
MSER的基本原理是对一幅灰度图像（灰度值为0～255）取阈值进行二值化处理，阈值从0到255依次递增。阈值的递增类似于分水岭算法中的水面的上升，随着水面的上升，有一些较矮的丘陵会被淹没，如果从天空往下看，则大地分为陆地和水域两个部分，这类似于二值图像。在得到的所有二值图像中，图像中的某些连通区域变化很小，甚至没有变化，则该区域就被称为最大稳定极值区域。这类似于当水面持续上升的时候，有些被水淹没的地方的面积没有变化。它的数学定义为：
q(i)=|Qi+△-Qi-△|/|Qi| （1）
其中，Qi表示阈值为i时的某一连通区域，△为灰度阈值的微小变化量，q(i)为阈值是i时的区域Qi的变化率。当q(i)为局部极小值时，则Qi为最大稳定极值区域。
需要说明的是，上述做法只能检测出灰度图像的黑色区域，不能检测出白色区域，因此还需要对原图进行反转，然后再进行阈值从0～255的二值化处理过程。这两种操作又分别称为MSER+和MSER-。
MSER具有以下特点：
1、对图像灰度具有仿射变换的不变性；
2、稳定性：具有相同阈值范围内所支持的区域才会被选择；
3、无需任何平滑处理就可以实现多尺度检测，即小的和大的结构都可以被检测到。
MSER的原理比较简单，但要更快更好的实现它，是需要一定的算法、数据结构和编程技巧的。David Nister等人于2008年提出了Linear Time Maximally Stable Extremal Regions算法，该算法要比原著提出的算法快，opencv就是利用该算法实现MSER的。但这里要说明一点的是，opencv不是利用公式1计算MSER的，而是利用更易于实现的改进方法：
q(i)=|Qi-Qi-△|/|Qi-△| （2）
David Nister提出的算法是基于改进的分水岭算法，即当往一个固定的地方注水的时候，只有当该地方的沟壑被水填满以后，水才会向其四周溢出，随着注水量的不断增加，各个沟壑也会逐渐被水淹没，但各个沟壑的水面不是同时上升的，它是根据水漫过地方的先后顺序，一个沟壑一个沟壑地填满水，只有当相邻两个沟壑被水连通在一起以后，水面对于这两个沟壑来说才是同时上升的。该算法的具体步骤如下：
1、初始化栈和堆，栈用于存储组块（组块就是区域，就相当于水面，水漫过的地方就会出现水面，水面的高度就是图像的灰度值，因此用灰度值来表示组块的值），堆用于存储组块的边界像素，相当于水域的岸边，岸边要高于水面的，因此边界像素的灰度值一定不小于它所包围的区域（即组块）的灰度值。首先向栈内放入一个虚假的组块，当该组块被弹出时意味着程序的结束；
2、把图像中的任意一个像素（一般选取图像的左上角像素）作为源像素，标注该像素为已访问过，并且把该像素的灰度值作为当前值。这一步相当于往源像素这一地点注水；
3、向栈内放入一个空组块，该组块的值是当前值；
4、按照顺序搜索当前值的4-领域内剩余的边缘，对于每一个邻域，检查它是否已经被访问过，如果没有，则标注它为已访问过并检索它的灰度值，如果灰度值不小于当前值，则把它放入用于存放边界像素的堆中。另一方面，如果领域灰度值小于当前值，则把当前值放入堆中，而把领域值作为当前值，并回到步骤3；
5、累计栈顶组块的像素个数，即计算区域面积，这是通过循环累计得到的，这一步相当于水面的饱和；
6、弹出堆中的边界像素。如果堆是空的，则程序结束；如果弹出的边界像素的灰度值等于当前值，则回到步骤4；
7、从堆中得到的像素值会大于当前值，因此我们需要处理栈中所有的组块，直到栈中的组块的灰度值大于当前边界像素灰度值为止。然后回到步骤4。
至于如何处理组块，则需要进入处理栈子模块中，传入该子模块的值为步骤7中从堆中提取得到的边界像素灰度值。子模块的具体步骤为：
1）、处理栈顶的组块，即根据公式2计算最大稳定区域，判断其是否为极值区域；
2）、如果边界像素灰度值小于距栈顶第二个组块的灰度值，那么设栈顶组块的灰度值为边界像素灰度值，并退出该子模块。之所以会出现这种情况，是因为在栈顶组块和第二个组块之间还有组块没有被检测处理，因此我们需要改变栈顶组块的灰度值为边界像素灰度值（相当于这两层的组块进行了合并），并回到主程序，再次搜索组块；
3）、弹出栈顶组块，并与目前栈顶组块合并；
4）、如果边界像素灰度值大于栈顶组块的灰度值，则回到步骤1。
在opencv2.4.9中，MSER算法是用类的方法给出的：
class MserFeatureDetector : public FeatureDetector
{
public:
MserFeatureDetector( CvMSERParams params=cvMSERParams() );
MserFeatureDetector( int delta, int minArea, int maxArea,
double maxVariation, double minDiversity,
int maxEvolution, double areaThreshold,
double minMargin, int edgeBlurSize );
virtual void read( const FileNode& fn );
virtual void write( FileStorage& fs ) const;
protected:
...
};
而具体的MSER类为：
class MSER : public CvMSERParams
{
public:
// default constructor
//缺省的构造函数
MSER();
// constructor that initializes all the algorithm parameters
//带有所有算法参数的构造函数
MSER( int _delta, int _min_area, int _max_area,
float _max_variation, float _min_diversity,
int _max_evolution, double _area_threshold,
double _min_margin, int _edge_blur_size );
// runs the extractor on the specified image; returns the MSERs,
// each encoded as a contour (vector<Point>, see findContours)
// the optional mask marks the area where MSERs are searched for
void operator()( const Mat& image, vector<vector<Point> >& msers, const Mat& mask ) const;
};
MSER算法所需要的参数较多： delta为灰度值的变化量，即公式1和2中的△； _min_area和_max_area为检测到的组块面积的范围； _max_variation为最大的变化率，即如果公式1和2中的q(i)小于该值，则被认为是最大稳定极值区域； _min_diversity为稳定区域的最小变换量。 其他的参数用于对彩色图像的MSER检测，这里不做介绍。 MSER类通过重载( )运算符，得到了最大稳定极值区域的点集msers，其中image为输入图像，mask为掩码矩阵。 下面我们就对MSER类的源码进行分析：
void MSER::operator()( const Mat& image, vector<vector<Point> >& dstcontours, const Mat& mask ) const
{
CvMat _image = image, _mask, *pmask = 0;
if( mask.data )
pmask = &(_mask = mask);
MemStorage storage(cvCreateMemStorage(0));
Seq<CvSeq*> contours;
//调用extractMSER函数，得到MSER的区域点集序列contours.seq
//MSERParams为MSER所需要的参数
extractMSER( &_image, pmask, &contours.seq, storage,
MSERParams(delta, minArea, maxArea, maxVariation, minDiversity,
maxEvolution, areaThreshold, minMargin, edgeBlurSize));
SeqIterator<CvSeq*> it = contours.begin();
size_t i, ncontours = contours.size();
dstcontours.resize(ncontours);
//复制点集序列
for( i = 0; i < ncontours; i++, ++it )
Seq<Point>(*it).copyTo(dstcontours[i]);
}
extractMSER函数首先定义了一些变量，并进行参数的判断。然后根据输入图像的类型分别调用不同的函数：
static void
extractMSER( CvArr* _img,
CvArr* _mask,
CvSeq** _contours,
CvMemStorage* storage,
MSERParams params )
{
CvMat srchdr, *src = cvGetMat( _img, &srchdr );
CvMat maskhdr, *mask = _mask ? cvGetMat( _mask, &maskhdr ) : 0;
CvSeq* contours = 0;
CV_Assert(src != 0);
CV_Assert(CV_MAT_TYPE(src->type) == CV_8UC1 || CV_MAT_TYPE(src->type) == CV_8UC3);
CV_Assert(mask == 0 || (CV_ARE_SIZES_EQ(src, mask) && CV_MAT_TYPE(mask->type) == CV_8UC1));
CV_Assert(storage != 0);
contours = *_contours = cvCreateSeq( 0, sizeof(CvSeq), sizeof(CvSeq*), storage );
// choose different method for different image type
// for grey image, it is: Linear Time Maximally Stable Extremal Regions
// for color image, it is: Maximally Stable Colour Regions for Recognition and Matching
switch ( CV_MAT_TYPE(src->type) )
{
case CV_8UC1: //处理灰度图像
extractMSER_8UC1( src, mask, contours, storage, params );
break;
case CV_8UC3: //处理彩色图像
extractMSER_8UC3( src, mask, contours, storage, params );
break;
}
}
灰度图像的MSER处理方法就是应用本文介绍的方法：
static void extractMSER_8UC1( CvMat* src,
CvMat* mask,
CvSeq* contours,
CvMemStorage* storage,
MSERParams params )
{
//为了加快运算速度，把原图的宽扩展成高度复合数，即2^N的形式
//step为扩展后的宽，初始值为8
int step = 8;
//stepgap为N，初始值为3，即8=2^3
int stepgap = 3;
//通过step向左移位的方式扩展原图的宽
while ( step < src->step+2 )
{
step <<= 1;
stepgap++;
}
int stepmask = step-1;
// to speedup the process, make the width to be 2^N
//创建扩展后的图像矩阵，宽为2^N，高为原图高+2
CvMat* img = cvCreateMat( src->rows+2, step, CV_32SC1 );
//定义第二行地址
int* ioptr = img->data.i+step+1;
int* imgptr;
// pre-allocate boundary heap
//步骤1，初始化堆和栈
//定义堆，用于存储组块的边界像素
int** heap = (int**)cvAlloc( (src->rows*src->cols+256)*sizeof(heap[0]) );
int** heap_start[256];
//heap_start为三指针变量，heap_start为边界像素的灰度值，因此它数量为256个；*heap_start表示边界像素中该灰度值的数量；**heap_start表示边界像素中该灰度值中第*heap_start个所对应的像素地址指针。
heap_start[0] = heap;
// pre-allocate linked point and grow history
//pts表示组块内像素链表，即像素间相互链接
LinkedPoint* pts = (LinkedPoint*)cvAlloc( src->rows*src->cols*sizeof(pts[0]) );
//history表示每个组块生长的状况，即随着阈值的增加，组块的大小是在不断扩大的
MSERGrowHistory* history = (MSERGrowHistory*)cvAlloc( src->rows*src->cols*sizeof(history[0]) );
//comp表示图像内连通的组块（即区域），原则上每一个灰度值就会有一个组块，但之所以组块的个数是257个，是因为有一个组块是虚假组块，用于表示程序的结束。用栈的形式来管理各个组块
MSERConnectedComp comp[257];
// darker to brighter (MSER-)
//MSER-
//先对原图进行预处理
imgptr = preprocessMSER_8UC1( img, heap_start, src, mask );
//执行MSER操作
extractMSER_8UC1_Pass( ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, -1, contours, storage );
// brighter to darker (MSER+)
//MSER+
imgptr = preprocessMSER_8UC1( img, heap_start, src, mask );
extractMSER_8UC1_Pass( ioptr, imgptr, heap_start, pts, history, comp, step, stepmask, stepgap, params, 1, contours, storage );
// clean up
//清理内存
cvFree( &history );
cvFree( &heap );
cvFree( &pts );
cvReleaseMat( &img );
}
preprocessMSER_8UC1函数为预处理的过程，主要就是对宽度扩展以后的图像矩阵进行赋值，每一位都赋予不同的含义：
// to preprocess src image to followingformat
// 32-bit image
// > 0 is available, < 0 is visited
// 17~19 bits is the direction
// 8~11 bits is the bucket it falls to (forBitScanForward)
// 0~8 bits is the color
/*定义图像矩阵的数据格式为有符号32位整型，最高一位表示是否被访问过，0表示没有被访问过，1表示被访问过（因为是有符号数，所以最高一位是1也就是负数）；16～18位（这里源码注解有误）表示4邻域的方向；0～7位表示该像素的灰度值*/
//img代表图像矩阵，MSER处理的是该矩阵
//src为输入原图
//heap_cur为边界像素堆
//mask为掩码
static int* preprocessMSER_8UC1( CvMat* img,
int*** heap_cur,
CvMat* src,
CvMat* mask )
{
int srccpt = src->step-src->cols;
//由于图像矩阵的宽经过了2^N处理，所以它的宽比原图的宽要长，cpt_1代表两个宽度的差值
int cpt_1 = img->cols-src->cols-1;
//图像矩阵的地址指针
int* imgptr = img->data.i;
//定义真实的图像起始地址
int* startptr;
//定义并初始化灰度值数组
int level_size[256];
for ( int i = 0; i < 256; i++ )
level_size[i] = 0;
//为图像矩阵的第一行赋值
for ( int i = 0; i < src->cols+2; i++ )
{
*imgptr = -1;
imgptr++;
}
//地址指针指向图像矩阵的第二行
imgptr += cpt_1-1;
//原图首地址指针
uchar* srcptr = src->data.ptr;
if ( mask ) //如果定义了掩码矩阵
{
startptr = 0;
//掩码矩阵首地址指针
uchar* maskptr = mask->data.ptr;
//遍历整个原图
for ( int i = 0; i < src->rows; i++ )
{
*imgptr = -1;
imgptr++;
for ( int j = 0; j < src->cols; j++ )
{
if ( *maskptr )
{
if ( !startptr )
startptr = imgptr; //赋值
*srcptr = 0xff-*srcptr; //反转图像的灰度值
level_size[*srcptr]++; //为灰度值计数
//为图像矩阵赋值，它的低8位是原图灰度值，8～10位是灰度值的高3位
*imgptr = ((*srcptr>>5)<<8)|(*srcptr);
} else { //掩码覆盖的像素值为-1
*imgptr = -1;
}
//地址加1
imgptr++;
srcptr++;
maskptr++;
}
//跳过图像矩阵比原图多出的部分
*imgptr = -1;
imgptr += cpt_1;
srcptr += srccpt;
maskptr += srccpt;
}
} else { //没有定义掩码
startptr = imgptr+img->cols+1; //赋值
//遍历整幅图像，为图像矩阵赋值
for ( int i = 0; i < src->rows; i++ )
{
*imgptr = -1;
imgptr++;
for ( int j = 0; j < src->cols; j++ )
{
*srcptr = 0xff-*srcptr;
level_size[*srcptr]++;
*imgptr = ((*srcptr>>5)<<8)|(*srcptr);
imgptr++;
srcptr++;
}
*imgptr = -1;
imgptr += cpt_1;
srcptr += srccpt;
}
}
//为图像矩阵的最后一行赋值
for ( int i = 0; i < src->cols+2; i++ )
{
*imgptr = -1;
imgptr++;
}
//定义边界像素堆的大小
//heap_cur[]对应灰度值，heap_cur[][]对应该灰度值的个数
//根据灰度值的个数定义heap_cur的长度
heap_cur[0][0] = 0;
for ( int i = 1; i < 256; i++ )
{
heap_cur[i] = heap_cur[i-1]+level_size[i-1]+1;
heap_cur[i][0] = 0;
}
//返回在图像矩阵中第一个真正的像素点的地址
return startptr;
}
extractMSER_8UC1_Pass函数执行MSER算法，MSER-和MSER+都执行该函数，但可以通过参数color来区分。
static void extractMSER_8UC1_Pass( int* ioptr,
int* imgptr,
int*** heap_cur,
LinkedPoint* ptsptr,
MSERGrowHistory* histptr,
MSERConnectedComp* comptr,
int step,
int stepmask,
int stepgap,
MSERParams params,
int color,
CvSeq* contours,
CvMemStorage* storage )
{
//设置第一个组块的灰度值为256，该灰度值是真实图像中不存在的灰度值，以区分真实图像的组块，从而判断程序是否结束
comptr->grey_level = 256;
//步骤2和步骤3
//指向第二个组块
comptr++;
//设置第二个组块为输入图像第一个像素（左上角）的灰度值
comptr->grey_level = (*imgptr)&0xff;
//初始化该组块
initMSERComp( comptr );
//在最高位标注该像素为已被访问过，即该值小于0
*imgptr |= 0x80000000;
//得到该像素所对应的堆，即指向它所对应的灰度值
heap_cur += (*imgptr)&0xff;
//定义方向，即偏移量，因为是4邻域，所以该数组分别对应右、下、左、上
int dir[] = { 1, step, -1, -step };
#ifdef __INTRIN_ENABLED__
unsigned long heapbit[] = { 0, 0, 0, 0, 0, 0, 0, 0 };
unsigned long* bit_cur = heapbit+(((*imgptr)&0x700)>>8);
#endif
//死循环，退出该死循环的条件有两个：一是到达组块的栈底；二是边界像素堆中没有任何值。达到栈底也就意味着堆中没有值，在此函数中两者是一致的。
for ( ; ; )
{
// take tour of all the 4 directions
//步骤4
//在4邻域内进行搜索
while ( ((*imgptr)&0x70000) < 0x40000 )
{
// get the neighbor
/* ((*imgptr)&0x70000)>>16得到第16位至第18位数据，该数据对应的4邻域的方向，再通过dir数组得到4邻域的偏移量，因此imgptr_nbr为当前像素4邻域中某一个方向上邻域的地址指针 */
int* imgptr_nbr = imgptr+dir[((*imgptr)&0x70000)>>16];
//检查邻域像素是否被访问过，如果被访问过，则会在第一位置1，因此该值会小于0，否则第一位为0，该值大于0
if ( *imgptr_nbr >= 0 ) // if the neighbor is not visited yet
{
//标注该像素已被访问过，即把第一位置1
*imgptr_nbr |= 0x80000000; // mark it as visited
//比较当前像素与邻域像素灰度值
if ( ((*imgptr_nbr)&0xff) < ((*imgptr)&0xff) )
{
//如果邻域值小于当前值，把当前值放入堆中
// when the value of neighbor smaller than current
// push current to boundary heap and make the neighbor to be the current one
// create an empty comp
//堆中该像素灰度值的数量加1，即对该灰度值像素个数计数
(*heap_cur)++;
//把当前值的地址放入堆中
**heap_cur = imgptr;
//重新标注当前值的方向位，以备下一次访问该值时搜索下一个邻域
*imgptr += 0x10000;
//定位邻域值所对应的堆的位置
//当前heap_cur所指向的灰度值为while循环搜索中的最小灰度值，即水溢过的最低点
heap_cur += ((*imgptr_nbr)&0xff)-((*imgptr)&0xff);
#ifdef __INTRIN_ENABLED__
_bitset( bit_cur, (*imgptr)&0x1f );
bit_cur += (((*imgptr_nbr)&0x700)-((*imgptr)&0x700))>>8;
#endif
imgptr = imgptr_nbr; //邻域值换为当前值
//步骤3
comptr++; //创建一个组块
initMSERComp( comptr ); //初始化该组块
comptr->grey_level = (*imgptr)&0xff; //为该组块的灰度值赋值
//当某个邻域值小于当前值，则不对当前值再做任何操作，继续下次循环，在下次循环中，处理的则是该邻域值，即再次执行步骤4
continue;
} else {
//如果邻域值大于当前值，把邻域值放入堆中
// otherwise, push the neighbor to boundary heap
//找到该邻域值在堆中的灰度值位置，并对其计数，即对该灰度值像素个数计数
heap_cur[((*imgptr_nbr)&0xff)-((*imgptr)&0xff)]++;
//把该邻域像素地址放入堆中
*heap_cur[((*imgptr_nbr)&0xff)-((*imgptr)&0xff)] = imgptr_nbr;
#ifdef __INTRIN_ENABLED__
_bitset( bit_cur+((((*imgptr_nbr)&0x700)-((*imgptr)&0x700))>>8), (*imgptr_nbr)&0x1f );
#endif
}
}
*imgptr += 0x10000; //重新标注当前值的领域方向
}
//imsk表示结束while循环后所得到的最后像素地址与图像首地址的相对距离
int imsk = (int)(imgptr-ioptr);
//得到结束while循环后的最后像素的坐标位置
//从这里可以看出图像的宽采样2^N的好处，即imsk>>stepgap
ptsptr->pt = cvPoint( imsk&stepmask, imsk>>stepgap );
// get the current location
//步骤5
//对栈顶的组块的像素个数累加，即计算组块的面积大小，并链接组块内的像素点
//结束while循环后，栈顶组块的灰度值就是该次循环后得到的最小灰度值，也就是该组块为极低点，就相当于水已经流到了最低的位置
accumulateMSERComp( comptr, ptsptr );
//指向下一个像素点链表位置
ptsptr++;
// get the next pixel from boundary heap
//步骤6
/*结束while循环后，如果**heap_cur有值的话，heap_cur指向的应该是while循环中得到的灰度值最小值，也就是在组块的边界像素中，有与组块相同的灰度值，因此要把该值作为当前值继续while循环，也就是相当于组块面积的扩展*/
if ( **heap_cur ) //有值
{
imgptr = **heap_cur; //把该像素点作为当前值
(*heap_cur)--; //像素的个数要相应的减1
#ifdef __INTRIN_ENABLED__
if ( !**heap_cur )
_bitreset( bit_cur, (*imgptr)&0x1f );
#endif
//步骤7
//已经找到了最小灰度值的组块，并且边界像素堆中的灰度值都比组块的灰度值大，则这时需要组块，即计算最大稳定极值区域
} else {
#ifdef __INTRIN_ENABLED__
bool found_pixel = 0;
unsigned long pixel_val;
for ( int i = ((*imgptr)&0x700)>>8; i < 8; i++ )
{
if ( _BitScanForward( &pixel_val, *bit_cur ) )
{
found_pixel = 1;
pixel_val += i<<5;
heap_cur += pixel_val-((*imgptr)&0xff);
break;
}
bit_cur++;
}
if ( found_pixel )
#else
heap_cur++; //指向高一级的灰度值
unsigned long pixel_val = 0;
//在边界像素堆中，找到边界像素中的最小灰度值
for ( unsigned long i = ((*imgptr)&0xff)+1; i < 256; i++ )
{
if ( **heap_cur )
{
pixel_val = i; //灰度值
break;
}
//定位在堆中所对应的灰度值，与pixel_val是相等的
heap_cur++;
}
if ( pixel_val ) //如果找到了像素值
#endif
{
imgptr = **heap_cur; //从堆中提取出该像素
(*heap_cur)--; //对应的像素个数减1
#ifdef __INTRIN_ENABLED__
if ( !**heap_cur )
_bitreset( bit_cur, pixel_val&0x1f );
#endif
//进入处理栈子模块
if ( pixel_val < comptr[-1].grey_level )
//如果从堆中提取出的最小灰度值小于距栈顶第二个组块的灰度值，则说明栈顶组块和第二个组块之间仍然有没有处理过的组块，因此在计算完MSER值后还要继续返回步骤4搜索该组块
{
// check the stablity and push a new history, increase the grey level
//利用公式2计算栈顶组块的q(i)值
if ( MSERStableCheck( comptr, params ) ) //是MSER
{
//得到组块内的像素点
CvContour* contour = MSERToContour( comptr, storage );
contour->color = color; //标注是MSER-还是MSER+
//把组块像素点放入序列中
cvSeqPush( contours, &contour );
}
MSERNewHistory( comptr, histptr );
//改变栈顶组块的灰度值，这样就可以和上一层的组块进行合并
comptr[0].grey_level = pixel_val;
histptr++;
} else {
//从堆中提取出的最小灰度值大于等于距栈顶第二个组块的灰度值
// keep merging top two comp in stack until the grey level >= pixel_val
//死循环，用于处理灰度值相同并且相连的组块之间的合并
for ( ; ; )
{
//指向距栈顶第二个组块
comptr--;
//合并前两个组块，并把合并后的组块作为栈顶组块
MSERMergeComp( comptr+1, comptr, comptr, histptr );
histptr++;
/*如果pixel_val = comptr[0].grey_level，说明在边界上还有属于该组块的像素；如果pixel_val < comptr[0].grey_level，说明还有比栈顶组块灰度值更小的组块没有搜索到。这两种情况都需要回到步骤4中继续搜索组块*/
if ( pixel_val <= comptr[0].grey_level )
break;
//合并栈内前两个组块，直到pixel_val < comptr[-1].grey_level为止
if ( pixel_val < comptr[-1].grey_level )
{
// check the stablity here otherwise it wouldn't be an ER
if ( MSERStableCheck( comptr, params ) )
{
CvContour* contour = MSERToContour( comptr, storage );
contour->color = color;
cvSeqPush( contours, &contour );
}
MSERNewHistory( comptr, histptr );
comptr[0].grey_level = pixel_val;
histptr++;
break;
}
}
}
} else
//边界像素堆中没有任何像素，则退出死循环，该函数返回。
break;
}
}
}
MSER就分析到这里，至于其中用到的一些子函数就不再分析。这里还要说明一点的是，MSER+和MSER-使用的都是同一个函数，两者的区别是一个组块面积增加，另一个减少。说实话，该部分的内容数据结构较为复杂，有一些内容我理解得也不透彻，比如结构MSERGrowHistory真正的含义还比较模糊。
下面就给出最大稳定极值区域检测的应用实例：
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <opencv2/features2d/features2d.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main(int argc, char *argv[])
{
Mat src,gray;
src = imread("lenna.bmp");
cvtColor( src, gray, CV_BGR2GRAY );
//创建MSER类
MSER ms;
//用于组块区域的像素点集
vector<vector<Point>> regions;
ms(gray, regions, Mat());
//在灰度图像中用椭圆形绘制组块
for (int i = 0; i < regions.size(); i++)
{
ellipse(gray, fitEllipse(regions[i]), Scalar(255));
}
imshow("mser", gray);
waitKey(0);
return 0;
}
结果如下图所示。本文介绍的方法只适用于灰度图像，所以如果输入的是彩色图像，要把它转换为灰度图像。另外在创建MSER类的时候，我们使用的是缺省构造函数，因此MSER算法所需的参数是系统默认的。所以我们检测的结果与David Nister等人在原著中的检测结果略有不同。
