前言
轮廓是构成任何一个形状的边界或外形线。前面讲了如何根据色彩及色彩的分布（直方图对比和模板匹配）来进行匹配，现在我们来看看如何利用物体的轮廓。包括以下内容：轮廓的查找、表达方式、组织方式、绘制、特性、匹配。
查找轮廓
首先我们面对的问题是如何在图像中找到轮廓，OpenCv(EmguCv)为我们做了很多工作，我们的任务只是调用现成的函数而已。Image<TColor,TDepth>类的FindContours方法可以很方便的查找轮廓，不过在查找之前，我们需要将彩色图像转换成灰度图像，然后再将灰度图像转换成二值图像。代码如下所示：
查找轮廓
Image < Bgr, Byte > imageSource = new Image < Bgr, byte > (sourceImageFileName); // 获取源图像 Image < Gray, Byte > imageGray = imageSource.Convert < Gray, Byte > (); // 将源图像转换成灰度图像 int thresholdValue = tbThreshold.Value; // 用于二值化的阀值 Image < Gray, Byte > imageThreshold = imageGray.ThresholdBinary( new Gray(thresholdValue), new Gray(255d)); // 对灰度图像二值化 Contour < Point > contour = imageThreshold.FindContours();
轮廓的表达方式
使用上面的代码可以得到图像的默认轮廓，但是轮廓在电脑中是如何表达的呢？在OpenCv(EmguCv)中提供了两类表达轮廓的方式：顶点的序列、Freeman链码。
1.顶点的序列
用多个顶点（或各点间的线段）来表达轮廓。假设要表达一个从(0,0)到(2,2)的矩形，
（1）如果用点来表示，那么依次存储的可能是：(0,0),(1,0),(2,0),(2,1),(2,2),(1,2),(0,2),(0,1)；
（2）如果用点间的线段来表达轮廓，那么依次存储的可能是：(0,0),(2,0),(2,2),(0,2)。
以下代码可以用来获取轮廓上的点：
for ( int i = 0 ; i < contour.Total; i ++ ) sbContour.AppendFormat( " {0}, " , contour[i]);
2.Freeman链码
Freeman链码需要一个起点，以及从起点出发的一系列位移。每个位移有8个方向，从0～7分别指向从正北开始的8个方向。假设要用Freeman链码表达从(0,0)到(2,2)的矩形，可能的表示方法是：起点(0,0),方向链2,2,4,4,6,6,0,0。
EmguCv对Freeman链码的支持很少，我们需要做一系列的工作才能在.net中使用Freeman链码：
（1）获取Freeman链码
查找用Freeman链码表示的轮廓
// 查找用Freeman链码表示的轮廓 Image < Gray,Byte > imageTemp = imageThreshold.Copy(); IntPtr storage = CvInvoke.cvCreateMemStorage( 0 ); IntPtr ptrFirstChain = IntPtr.Zero; int total = CvInvoke.cvFindContours(imageTemp.Ptr, storage, ref ptrFirstChain, sizeof (MCvChain), mode, CHAIN_APPROX_METHOD.CV_CHAIN_CODE, new Point( 0 , 0 ));
（2）遍历Freeman链码上的点
读取Freeman链码上的点
// 初始化Freeman链码读取 [DllImport( " cv200.dll " )] public static extern void cvStartReadChainPoints(IntPtr ptrChain,IntPtr ptrReader); // 读取Freeman链码的点 [DllImport( " cv200.dll " )] public static extern Point cvReadChainPoint(IntPtr ptrReader); [System.Runtime.InteropServices.StructLayoutAttribute(System.Runtime.InteropServices.LayoutKind.Sequential, CharSet = System.Runtime.InteropServices.CharSet.Ansi)] // 定义链码读取结构 public struct MCvChainPtReader { // seqReader public MCvSeqReader seqReader; /// char public byte code; /// POINT->tagPOINT public Point pt; /// char[16] [System.Runtime.InteropServices.MarshalAsAttribute(System.Runtime.InteropServices.UnmanagedType.ByValTStr, SizeConst = 16 )] public string deltas; } // 将链码指针转换成结构 MCvChain chain = (MCvChain)Marshal.PtrToStructure(ptrChain, typeof (MCvChain)); // 定义存放链码上点的列表 List < Point > pointList = new List < Point > (chain.total); // 链码读取结构 MCvChainPtReader chainReader = new MCvChainPtReader(); IntPtr ptrReader = Marshal.AllocHGlobal( sizeof (MCvSeqReader) + sizeof ( byte ) + sizeof (Point) + 16 * sizeof ( byte )); Marshal.StructureToPtr(chainReader, ptrReader, false ); // 开始读取链码 cvStartReadChainPoints(ptrChain, ptrReader); int i = 0 ; while (ptrReader != IntPtr.Zero && i < chain.total) { // 依次读取链码上的每个点 Point p = cvReadChainPoint(ptrReader); if (ptrReader == IntPtr.Zero) break ; else { pointList.Add(p); sbChain.AppendFormat( " {0}, " , p); i ++ ; } } imageResult.DrawPolyline(pointList.ToArray(), true , new Bgr(lblExternalColor.BackColor), 2 );
需要注意的是：cvReadChainPoint函数似乎永远不会满足循环终止的条件，即ptrReader永远不会被置为null，这跟《学习OpenCv》和参考上不一致；我们需要用chain.total来辅助终止循环，读取了所有的点之后就可以罢手了。
轮廓之间的组织方式
在查找到轮廓之后，不同轮廓是怎么组织的呢？根据不同的选择，它们可能是：（1）列表；（2）双层结构；（3）树型结构。
从纵向上来看，列表只有一层，双层结构有一或者两层，树型结构可能有一层或者多层。
如果要遍历所有的轮廓，可以使用递归的方式，代码如下：
遍历轮廓
// 遍历轮廓，并生成遍历结果 private void TravelContour(Contour < Point > contour, ref int total, ref StringBuilder sbContour) { if (contour != null ) { sbContour.Append( " ------------------------\r\n " ); sbContour.AppendFormat( " 轮廓{0}，右节点：{1}，下级节点：{2}，外接矩形：（{3}）\r\n " , total, contour.HNext != null , contour.VNext != null , contour.BoundingRectangle); sbContour.AppendFormat( " 包含{0}个点（面积：{1}，周长：{2}）：\r\n " , contour.Total, contour.Area, contour.Perimeter); for ( int i = 0 ; i < contour.Total; i ++ ) sbContour.AppendFormat( " {0}, " , contour[i]); sbContour.Append( " \r\n " ); total ++ ; if (contour.HNext != null ) TravelContour(contour.HNext, ref total, ref sbContour); if (contour.VNext != null ) TravelContour(contour.VNext, ref total, ref sbContour); } }
轮廓的绘制
轮廓的绘制比较简单，用上面提到的方法取得轮廓的所有点，然后把这些点连接成一个多边形即可。
当然，对于用顶点序列表示的轮廓，用Image<TColor,TDepth>.Draw方法或者cvDrawContours函数可以很方便的绘制出轮廓。我发现，如果将参数max_level设置成2，可以绘制出所有的轮廓。
绘制轮廓的代码如下：
绘制轮廓
Image < Bgr, Byte > imageResult = imageThreshold.Convert < Bgr, Byte > (); // 结果图像 int maxLevel = 0 ; // 绘制的轮廓深度 int .TryParse(txtMaxLevel.Text, out maxLevel); imageResult.Draw(contour, new Bgr(lblExternalColor.BackColor), new Bgr(lblHoleColor.BackColor), maxLevel, 2 );
轮廓的特性
轮廓的特性有很多，下面一一介绍。
1.轮廓的多边形逼近
轮廓的多边形逼近指的是：使用多边形来近似表示一个轮廓。
多边形逼近的目的是为了减少轮廓的顶点数目。
多边形逼近的结果依然是一个轮廓，只是这个轮廓相对要粗旷一些。
可以使用Contour<Point>.ApproxPoly方法或者cvApproxyPoly函数来对轮廓进行多边形逼近，示例代码如下：
contour = firstContour.ApproxPoly( double .Parse(txtApproxParameter.Text), 2 , new MemStorage());
2.轮廓的关键点
轮廓的关键点是：轮廓上包含曲线信息比较多的点。关键点是轮廓顶点的子集。
可以使用cvFindDominantPoints函数来获取轮廓上的关键点，该函数返回的结果一个包含 关键点在轮廓顶点中索引 的序列。再次强调：是索引，不是具体的点。如果要得到关键点的具体坐标，可以用索引到轮廓上去找。
以下代码演示了如何获取轮廓上的关键点：
轮廓的关键点
// 得到关键点信息 private void GetDominantPointsInfo(Contour < Point > contour, ref StringBuilder sbContour, ref Image < Bgr, Byte > imageResult, double parameter1, double parameter2, double parameter3, double parameter4, Bgr dominantPointColor) { if (contour.Total > 2 ) { MemStorage storage = new MemStorage(); try { IntPtr ptrSeq = cvFindDominantPoints(contour.Ptr, storage.Ptr, ( int )CV_DOMINANT.CV_DOMINANT_IPAN, parameter1, parameter2, parameter3, parameter4); Seq < int > seq = new Seq < int > (ptrSeq, storage); sbContour.AppendFormat( " {0}个关键点：\r\n " , seq.Total); for ( int i = 0 ; i < seq.Total; i ++ ) { int idx = seq[i]; // 关键点序列中存储的数据 是 关键点在轮廓中所处位置的索引 Point p = contour[idx]; // 得到关键点的坐标 sbContour.AppendFormat( " {0}({1},{2}), " , idx, p.X, p.Y); imageResult.Draw( new CircleF( new PointF(p.X, p.Y), 3 ), dominantPointColor, - 1 ); } sbContour.Append( " \r\n " ); } catch (CvException ex) { sbContour.AppendFormat( " 在获取关键点时发生异常，错误描述：{0}，错误源：{1}，错误堆栈：{2}\r\n错误文件：{3}，函数名：{4}，行：{5}，错误内部描述：{6}\r\n " , ex.Message, ex.Source, ex.StackTrace, ex.FileName, ex.FunctionName, ex.Line, ex.ErrorStr); } catch (Exception e) { sbContour.AppendFormat( " 在获取关键点时发生异常，错误描述：{0}，错误源：{1}，错误堆栈：{2}\r\n " , e.Message, e.Source, e.StackTrace); } finally { storage.Dispose(); } } }
3.轮廓的周长和面积
轮廓的周长可以用Contour<Point>.Perimeter属性或者cvArcLength函数来获取。
轮廓的面积可以用Contour<Point>.Area属性或者cvContourArea函数来获取。
4.轮廓的边界框
有三种常见的边界框：矩形、圆形、椭圆。
（1）矩形：在图像处理系统中提供了一种叫Rectangle的矩形，不过它只能表达边垂直或水平的特例；OpenCv中还有一种叫Box的矩形，它跟数学上的矩形一致，只要4个角是直角即可。
如果要获取轮廓的Rectangle，可以使用Contour<Point>.BoundingRectangle属性或者cvBoundingRect函数。
如果要获取轮廓的Box，可以使用Contour<Point>.GetMinAreaRect方法或者cvMinAreaRect2函数。
（2）圆形
如果要获取轮廓的圆形边界框，可以使用cvMinEnclosingCircle函数。
（3）椭圆
如果要获取轮廓的椭圆边界框，可以使用cvFitEllipse2函数。
下列代码演示了如何获取轮廓的各种边界框：
轮廓的边界框
// 得到边界框信息 private void GetEdgeInfo(Contour < Point > contour, string edge, ref StringBuilder sbContour, ref Image < Bgr, Byte > imageResult, Bgr edgeColor) { if (edge == " Rect " ) // 矩形 imageResult.Draw(contour.BoundingRectangle, edgeColor, 2 ); else if (edge == " MinAreaRect " ) { // 最小矩形 MCvBox2D box = CvInvoke.cvMinAreaRect2(contour.Ptr, IntPtr.Zero); PointF[] points = box.GetVertices(); Point[] ps = new Point[points.Length]; for ( int i = 0 ; i < points.Length; i ++ ) ps[i] = new Point(( int )points[i].X, ( int )points[i].Y); imageResult.DrawPolyline(ps, true , edgeColor, 2 ); } else if (edge == " Circle " ) { // 圆形 PointF center; float radius; CvInvoke.cvMinEnclosingCircle(contour.Ptr, out center, out radius); imageResult.Draw( new CircleF(center, radius), edgeColor, 2 ); } else { // 椭圆 if (contour.Total >= 6 ) { MCvBox2D box = CvInvoke.cvFitEllipse2(contour.Ptr); imageResult.Draw( new Ellipse(box), edgeColor, 2 ); } else sbContour.Append( " 轮廓点数小于6，不能创建外围椭圆。\r\n " ); } }
5.轮廓的矩
我们可以使用Contour<Point>.GetMoments方法或者cvMoments函数方便的得到轮廓的矩集，然后再相应的方法或函数获取各种矩。
特定的矩：MCvMoments.GetSpatialMoment方法、cvGetSpatialMoment函数
中心矩：MCvMoments.GetCentralMoment方法、cvGetCentralMoment函数
归一化中心矩：MCvMoments.GetNormalizedCentralMoment方法、cvGetNormalizedCentralMoment函数
Hu矩：MCvMoments.GetHuMoment方法、McvHuMoments.hu1～hu7字段、cvGetHuMoments函数
以下代码演示了如何获取轮廓的矩：
轮廓的矩
// 得到各种矩的信息 private void GetMomentsInfo(Contour < Point > contour, ref StringBuilder sbContour) { // 矩 MCvMoments moments = contour.GetMoments(); // 遍历各种情况下的矩、中心矩及归一化矩，必须满足条件：xOrder>=0; yOrder>=0; xOrder+yOrder<=3; for ( int xOrder = 0 ; xOrder <= 3 ; xOrder ++ ) { for ( int yOrder = 0 ; yOrder <= 3 ; yOrder ++ ) { if (xOrder + yOrder <= 3 ) { double spatialMoment = moments.GetSpatialMoment(xOrder, yOrder); double centralMoment = moments.GetCentralMoment(xOrder, yOrder); double normalizedCentralMoment = moments.GetNormalizedCentralMoment(xOrder, yOrder); sbContour.AppendFormat( " 矩（xOrder：{0}，yOrder：{1}），矩：{2:F09}，中心矩：{3:F09}，归一化矩：{4:F09}\r\n " , xOrder, yOrder, spatialMoment, centralMoment, normalizedCentralMoment); } } } // Hu矩 MCvHuMoments huMonents = moments.GetHuMoment(); sbContour.AppendFormat( " Hu矩 h1：{0:F09}，h2：{1:F09}，h3：{2:F09}，h4：{3:F09}，h5：{4:F09}，h6：{5:F09}，h7：{6:F09}\r\n " , huMonents.hu1, huMonents.hu2, huMonents.hu3, huMonents.hu4, huMonents.hu5, huMonents.hu6, huMonents.hu7); }
6.轮廓的轮廓树
轮廓树用来描述某个特定轮廓的内部特征。注意：轮廓树跟轮廓是一一对应的关系；轮廓树不用于描述多个轮廓之间的层次关系。
可以用函数cvCreateContourTree来构造轮廓树。
IntPtr ptrTree1 = CvInvoke.cvCreateContourTree(contour1.Ptr, new MemStorage().Ptr, thresholdOfCreate);
7.轮廓的凸包和凸缺陷
轮廓的凸包和凸缺陷用于描述物体的外形。凸包和凸缺陷很容易获得，不过我目前不知道它们到底怎么使用。
如果要判断轮廓是否是凸的，可以用Contour<Point>.Convex属性和cvCheckContourConvexity函数。
如果要获取轮廓的凸包，可以用Contour<Point>.GetConvexHull方法或者cvConvexHull2函数，返回的是包含顶点的序列。
如果要获取轮廓的凸缺陷，可以用Contour<Point>.GetConvexityDefacts方法或者cvConvexityDefects函数。
注意：EmguCv将缺陷的单词拼写错了，defect才是缺陷。
以下代码演示了如何获取轮廓的凸包及凸缺陷：
轮廓的凸包和凸缺陷
// 得到凸包及缺陷信息 private void GetConvexInfo(Contour < Point > contour, ref StringBuilder sbContour, ref Image < Bgr,Byte > imageResult) { if ( ! contour.Convex) // 判断轮廓是否为凸 { // 凸包 Seq < Point > convexHull = contour.GetConvexHull(ORIENTATION.CV_CLOCKWISE); // 缺陷 Seq < MCvConvexityDefect > defects = contour.GetConvexityDefacts( new MemStorage(), ORIENTATION.CV_CLOCKWISE); // 显示信息 sbContour.AppendFormat( " 轮廓的凸包有{0}个点，依次为： " , convexHull.Total); Point[] points = new Point[convexHull.Total]; for ( int i = 0 ; i < convexHull.Total; i ++ ) { Point p = convexHull[i]; points[i] = p; sbContour.AppendFormat( " {0}, " , p); } sbContour.Append( " \r\n " ); imageResult.DrawPolyline(points, true , new Bgr(lblConvexColor.BackColor), 2 ); MCvConvexityDefect defect; sbContour.AppendFormat( " 轮廓有{0}个缺陷，依次为：\r\n " , defects.Total); for ( int i = 0 ; i < defects.Total; i ++ ) { defect = defects[i]; sbContour.AppendFormat( " 缺陷：{0}，起点：{1}，终点：{2}，最深的点：{3}，深度：{4}\r\n " , i, defect.StartPoint, defect.EndPoint, defect.DepthPoint, defect.Depth); } } else sbContour.Append( " 轮廓是凸的，凸包和轮廓一样。\r\n " ); }
8.轮廓的成对几何直方图
成对几何直方图的资料比较少，我是这么理解的。
（1）轮廓保存的是一系列的顶点，轮廓是由一系列线段组成的多边形。对于看起来光滑的轮廓（例如圆），只是线段条数比较多，线段长度比较短而已。实际上，电脑中显示的任何曲线都由线段组成。
（2）每两条线段之间都有一定的关系，包括它们（或者它们的延长线）之间的夹角，两条线段的夹角范围是：(0,180)。
（3）每两条线段上的点之间还有距离关系，包括最短（小）距离、最远（大）距离，以及平均距离。最大距离我用了一个偷懒的计算方法，我把轮廓外界矩形的对角线长度看作了最大距离。
（4）成对几何直方图所用的统计数据包括了夹角和距离。
可以用函数cvCalcPGH来计算轮廓的成对几何直方图，示例代码如下：
轮廓的成对几何直方图
// 生成成对几何直方图 Rectangle rect1 = contour1.BoundingRectangle; float maxDist1 = ( float )Math.Sqrt(rect1.Width * rect1.Width + rect1.Height * rect1.Height); // 轮廓的最大距离：这里使用轮廓矩形边界框的对角线长度 int [] bins1 = new int [] { 60 , 20 }; RangeF[] ranges1 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist1) }; // 直方图第0维为角度，范围在(0,180)，第2维为轮廓两条边缘线段的距离 DenseHistogram hist1 = new DenseHistogram(bins1, ranges1); CvInvoke.cvCalcPGH(contour1.Ptr, hist1.Ptr);
轮廓的匹配
如果要比较两个物体，可供选择的特征很多。如果要判断某个人的性别，可以根据他（她）头发的长短来判断，这很直观，在长发男稀有的年代准确率也很高。也可以根据这个人尿尿的射程来判断，如果射程大于0.50米，则是男性。总之，方法很多，不一而足。
我们在上文中得到了轮廓的这么多特征，它们也可以用于进行匹配。典型的轮廓匹配方法有：Hu矩匹配、轮廓树匹配、成对几何直方图匹配。
1.Hu矩匹配
轮廓的Hu矩对包括缩放、旋转和镜像映射在内的变化具有不变性。Contour<Point>.MatchShapes方法和cvMatchShapes函数可以很方便的实现对2个轮廓间的匹配。
2.轮廓树匹配
用树的形式比较两个轮廓。cvMatchContourTrees函数实现了轮廓树的对比。
3.成对几何直方图匹配
在得到轮廓的成对几何直方图之后，可以使用直方图对比的方法来进行匹配。如果您和我一样忘记了直方图的对比方式，可以看看我写的另一篇文章《颜色直方图的计算、显示、处理、对比及反向投影(How to Use Histogram? Calculate, Show, Process, Compare and BackProject)》。
各种轮廓匹配的示例代码如下：
轮廓的匹配
// 开始匹配 private void btnStartMatch_Click( object sender, EventArgs e) { // 准备轮廓（这里只比较最外围的轮廓） Image < Bgr, Byte > image1 = new Image < Bgr, byte > ((Bitmap)pbImage1.Image); Image < Bgr, Byte > image2 = new Image < Bgr, byte > ((Bitmap)pbImage2.Image); Image < Gray, Byte > imageGray1 = image1.Convert < Gray, Byte > (); Image < Gray, Byte > imageGray2 = image2.Convert < Gray, Byte > (); Image < Gray, Byte > imageThreshold1 = imageGray1.ThresholdBinaryInv( new Gray(128d), new Gray(255d)); Image < Gray, Byte > imageThreshold2 = imageGray2.ThresholdBinaryInv( new Gray(128d), new Gray(255d)); Contour < Point > contour1 = imageThreshold1.FindContours(CHAIN_APPROX_METHOD.CV_CHAIN_APPROX_SIMPLE, RETR_TYPE.CV_RETR_EXTERNAL); Contour < Point > contour2 = imageThreshold2.FindContours(CHAIN_APPROX_METHOD.CV_CHAIN_APPROX_SIMPLE, RETR_TYPE.CV_RETR_EXTERNAL); /* if (contour1.Perimeter / 50 > 2 && contour2.Perimeter / 50 > 2) { contour1 = contour1.ApproxPoly(contour1.Perimeter / 50, 2, new MemStorage()); //对轮廓进行多边形逼近（参数设为轮廓周长的1/50） contour2 = contour2.ApproxPoly(contour2.Perimeter / 50, 2, new MemStorage()); } */ // 进行匹配 string result = "" ; if (rbHuMoments.Checked) result = MatchShapes(contour1, contour2); // Hu矩匹配 else if (rbContourTree.Checked) result = MatchContourTrees(contour1, contour2); // 轮廓树匹配 else if (rbPGH.Checked) result = MatchPghHist(contour1, contour2); // 成对几何直方图匹配 txtResult.Text += result; } // Hu矩匹配 private string MatchShapes(Contour < Point > contour1, Contour < Point > contour2) { // 匹配方法 CONTOURS_MATCH_TYPE matchType = rbHuI1.Checked ? CONTOURS_MATCH_TYPE.CV_CONTOUR_MATCH_I1 : (rbHuI2.Checked ? CONTOURS_MATCH_TYPE.CV_CONTOURS_MATCH_I2 : CONTOURS_MATCH_TYPE.CV_CONTOURS_MATCH_I3); Stopwatch sw = new Stopwatch(); sw.Start(); // 匹配 double matchValue = contour1.MatchShapes(contour2, matchType); sw.Stop(); double time = sw.Elapsed.TotalMilliseconds; return string .Format( " Hu矩匹配（{0:G}），结果：{1:F05}，用时：{2:F05}毫秒\r\n " , matchType, matchValue, time); } // 轮廓树匹配 private string MatchContourTrees(Contour < Point > contour1, Contour < Point > contour2) { // 生成轮廓树 double thresholdOfCreate = double .Parse(txtThresholdOfCreateContourTrees.Text); // 生成轮廓树的阀值 IntPtr ptrTree1 = CvInvoke.cvCreateContourTree(contour1.Ptr, new MemStorage().Ptr, thresholdOfCreate); IntPtr ptrTree2 = CvInvoke.cvCreateContourTree(contour2.Ptr, new MemStorage().Ptr, thresholdOfCreate); // 匹配 double thresholdOfMatch = double .Parse(txtThresholdOfMatchContourTrees.Text); // 比较轮廓树的阀值 Stopwatch sw = new Stopwatch(); sw.Start(); double matchValue = CvInvoke.cvMatchContourTrees(ptrTree1, ptrTree2, MATCH_CONTOUR_TREE_METHOD.CONTOUR_TREES_MATCH_I1, thresholdOfMatch); sw.Stop(); double time = sw.Elapsed.TotalMilliseconds; return string .Format( " 轮廓树匹配（生成轮廓树的阀值：{0}，比较轮廓树的阀值：{1}），结果：{2:F05}，用时：{3:F05}毫秒\r\n " , thresholdOfCreate, thresholdOfMatch, matchValue, time); } // 成对几何直方图匹配 private string MatchPghHist(Contour < Point > contour1, Contour < Point > contour2) { // 生成成对几何直方图 Rectangle rect1 = contour1.BoundingRectangle; float maxDist1 = ( float )Math.Sqrt(rect1.Width * rect1.Width + rect1.Height * rect1.Height); // 轮廓的最大距离：这里使用轮廓矩形边界框的对角线长度 int [] bins1 = new int [] { 60 , 20 }; RangeF[] ranges1 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist1) }; // 直方图第0维为角度，范围在(0,180)，第2维为轮廓两条边缘线段的距离 DenseHistogram hist1 = new DenseHistogram(bins1, ranges1); CvInvoke.cvCalcPGH(contour1.Ptr, hist1.Ptr); Rectangle rect2 = contour2.BoundingRectangle; float maxDist2 = ( float )Math.Sqrt(rect2.Width * rect2.Width + rect2.Height * rect2.Height); int [] bins2 = new int [] { 60 , 20 }; RangeF[] ranges2 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist2) }; DenseHistogram hist2 = new DenseHistogram(bins2, ranges2); CvInvoke.cvCalcPGH(contour2.Ptr, hist2.Ptr); // 匹配 Stopwatch sw = new Stopwatch(); sw.Start(); double compareResult; HISTOGRAM_COMP_METHOD compareMethod = rbHistCorrel.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_CORREL : (rbHistChisqr.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_CHISQR : (rbHistIntersect.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_INTERSECT : HISTOGRAM_COMP_METHOD.CV_COMP_BHATTACHARYYA)); if (rbHistEmd.Checked) { // EMD // 将直方图转换成矩阵 Matrix < Single > matrix1 = FormProcessHist.ConvertDenseHistogramToMatrix(hist1); Matrix < Single > matrix2 = FormProcessHist.ConvertDenseHistogramToMatrix(hist2); compareResult = CvInvoke.cvCalcEMD2(matrix1.Ptr, matrix2.Ptr, DIST_TYPE.CV_DIST_L2, null , IntPtr.Zero, IntPtr.Zero, IntPtr.Zero, IntPtr.Zero); matrix1.Dispose(); matrix2.Dispose(); } else { // 直方图对比方式 hist1.Normalize(1d); hist2.Normalize(1d); compareResult = CvInvoke.cvCompareHist(hist1.Ptr, hist2.Ptr, compareMethod); } sw.Stop(); double time = sw.Elapsed.TotalMilliseconds; return string .Format( " 成对几何直方图匹配（匹配方式：{0}），结果：{1:F05}，用时：{2:F05}毫秒\r\n " , rbHistEmd.Checked ? " EMD " : compareMethod.ToString( " G " ), compareResult, time); }
通过以上代码，可以计算出两个轮廓对比的值，但是这些值具体代表什么意义呢？实际上，我目前还不清楚，需要进行大量的试验才行。
扫一扫
5979
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
