矩概念与图像矩详解及其hu矩的运用

最新推荐文章于 2023-09-22 19:51:55 发布

澳经理

最新推荐文章于 2023-09-22 19:51:55 发布

阅读量7.9k

点赞数 7

分类专栏： OpenCV 文章标签：矩阵概率论

本文链接：https://blog.csdn.net/TanJingV/article/details/105748389

版权

OpenCV 专栏收录该内容

6 篇文章 3 订阅

订阅专栏

一、矩概念详解

矩这个东西，能组成的名词太多了，矩形，就是长方形，矩阵，就是m行n列的二维数组，所以想了解矩，就要从其具体的场景中去理解。

今天我们要讲的图像矩，就是一个新的概念，图像矩就是图像的矩，这个概念来源于数学中的矩，所以我们要先来理解一下，数学中的矩。首先我们先来看一下它的定义和相关概念：

在数学和统计学中，矩（moment）是对变量分布和形态特点的一组度量。当所有的变
量矩的定义是各点对某一固定点离差幂的平均值。n阶矩被定义为一变量的n次方与其概率密度函数（ProbabilityDensity Function, PDF）之积的积分。在文献中n阶矩通常用符号μn表示。

直接使用变量计算的矩被称为原始矩（raw moment），移除均值后计算的矩被称为中心矩（central moment）。

1、离散情况

我们从矩的概念出发，我们先考虑离散情况：

假设有一个离散的随机变量X，用A表示一个常数，用k来表示幂（阶数）。那么我们有下面这个公式：

在这里插入图片描述

这个称为X关于点A的k阶矩。
如果这个常数A为0，我们把这个k阶矩称之为k阶原点矩。
如果这个常数A为X的均值E(X)，我们把这个k阶矩称之为k阶中心矩。

变量的一阶矩是数学期望（expectation），表示分布重心；
变量的二阶矩是方差（variance），表示离散程度；
变量的三阶矩是偏度（skewness），表示分布偏离对称的程度；
变量的四阶矩是峰度（kurtosis），描述分布的尖峰程度，例如正态分布峰态系数=0。

如果我们有两个离散随机变量：X,Y。A1，A2分别代表对应于两个随机变量的常数，用p，q表示幂（阶数），那么我们有下面的公式：

这个称为X，Y关于点A1，A2的p+q阶矩。
如果两个常数都是0，那么我们称之为p+q阶混合原点矩。
如果两个常数都是对应的均值，即A1=E(X)，A2=E(Y)，那么我们称之为p+q阶混合中心矩。

2、连续情况

接下来我们考虑连续情况：

假设有一个连续的随机变量x，其单变量的概率密度函数为f(x)，用A表示一个常数，用k来表示幂（阶数）。那么我们有下面这个公式：

这个称为X关于点A的k阶矩。如果我们有两个连续的随机变量：x,y，两个变量的联合概率密度为f(x,y)。A1，A2分别代表对应于两个随机变量的常数，用p，q表示幂（阶数），那么我们有下面的公式：

这个称为x，y关于点A1，A2的p+q阶矩。
一阶原点矩就是期望。二阶中心矩就是随机变量的的方差. 在统计学上，高于4阶的矩极少使用。三阶中心距可以去衡量分布是否有偏。四阶中心矩可以去衡量分布在均值附近的陡峭程度如何。

二、图像的几何矩

1、几何矩的概念

了解了矩的概念，我们接下来说一下图像的几何矩。在图像中，矩的概念如下：

矩是描述图像特征的算子。

这里的图像是单通道，也就是灰度图像，相当于一个矩阵，也就是上面提到的离散的情况。矩阵上每个位置的取值范围是0-255的整数。

2、图像的p+q阶矩

一阶原点矩就是期望。二阶中心矩就是随机变量的的方差. 在统计学上，高于4阶的矩极少使用。三阶中心距可以去衡量分布是否有偏。四阶中心矩可以去衡量分布在均值附近的陡峭程度如何。

那针对一幅图像，我们把像素的坐标看成是一个二维随机变量(X, Y)，那么一副灰度图可以用二维灰度图密度函数来表示，因此可以用矩来描述灰度图像的特征。

在这里插入图片描述

空间矩的实质为面积或者质量。可以通过一阶矩计算质心/重心。

图像的重心坐标 为：

在这里插入图片描述

物体形状方向 为：
在这里插入图片描述

在这里插入图片描述

3、HU矩

把图像的像素看做密度函数f(x,y)f(x,y)，对该像素点求期望，即是图像的矩（原点矩）

一般来说，一阶矩和零阶矩可以计算某个形状的重心，二阶矩可以计算形状的方向。

图像的矩主要表征了图像区域的几何特征，又称几何矩，由于具有旋转、平移、尺度等不变的特兴奋，所以又称为不变矩。
利用不变矩可以计算出物体的圆形度（物体形状和园的接近程度）、物体的矩形度（物体形状和矩形的接近程度）、物体的水平和垂直对称性、物体的主轴方向、扁度等。

几何矩：

在这里插入图片描述

中心距：

由几何矩可表示出中心距：

在这里插入图片描述

请注意，上述中心距是平移不变的。换句话说，无论图像中的斑点在哪里，如果形状相同，则矩将是相同的。

如果我们还能让这个距具有尺度不变，那会不会很酷？那么，为此，我们需要标准化的中心矩，如下所示。

归一化中心距：

在这里插入图片描述

其中r=p+q+2, p+q=2,3,…r=p+q+22,p+q=2,3,…

中心距是平移不变的。但这还不足以进行形状匹配。我们想要计算对平移，缩放和旋转不变的矩，如下图所示。

幸运的是，我们实际上可以计算出这样的距，他们被称为Hu不变距。

在这里插入图片描述
7个Hu不变距计算如下：

在这里插入图片描述
感兴趣的可以尝试推导一下，这些都是关于图像的平移，缩放大小，旋转等参数不变性的推导式，
hu不变距的数学依据

在OpenCV中计算Hu不变距：
在这里插入图片描述

4. Log转化

K的7维Hu不变距
在这里插入图片描述

Python

# Log scale hu moments
for i in range(0,7):
  huMoments[i] = -1* copysign(1.0, huMoments[i]) * log10(abs(huMoments[i])))

C++

// Log scale hu moments
for(int i = 0; i < 7; i++)
{
  huMoments[i] = -1 * copysign(1.0, huMoments[i]) * log10(abs(huMoments[i]));

5. 基于Hu不变距的形状匹配

计算Hu距：

在这里插入图片描述
如图所见，图像K0.png只是字母K，S0.png是字母S.接下来，我们在S1.png中移动字母S，并在S2.png中移动+缩放。我们添加了一些旋转来制作S3.png并进一步翻转图像以制作S4.png。

注意，S0，S1，S2，S3和S4的所有Hu矩在值上彼此接近，除了翻转S4的最后Hu矩的符号。另外，请注意它们与K0非常不同。

5.1 匹配形状的距离

在本节中，我们将学习如何使用Hu Moments来找到两个形状之间的距离。如果距离小，则形状在外观上接近，并且如果距离大，则形状在外观上更加分开。

OpenCV提供了一个易于使用的名为matchShapes的实用程序函数，它接收两个图像（或轮廓）并使用Hu Moments找到它们之间的距离。所以，你不必明确计算胡时刻。只需将图像二值化并使用matchShapes。

用法如下所示。

Python

d1 = cv2.matchShapes(im1,im2,cv2.CONTOURS_MATCH_I1,0)
d2 = cv2.matchShapes(im1,im2,cv2.CONTOURS_MATCH_I2,0)
d3 = cv2.matchShapes(im1,im2,cv2.CONTOURS_MATCH_I3,0)

C++

double d1 = matchShapes(im1, im2, CONTOURS_MATCH_I1, 0);
double d2 = matchShapes(im1, im2, CONTOURS_MATCH_I2, 0);
double d3 = matchShapes(im1, im2, CONTOURS_MATCH_I3, 0);

第一个参数是待匹配的物体1
第二个是待匹配的物体2
第三个参数method有三种输入：【即三种不同的判定物体相似的方法】

CV_CONTOURS_MATCH_I1
CV_CONTOURS_MATCH_I2
CV_CONTOURS_MATCH_I3

令D（A，B）为形状A和B之间的距离，并且和为形状A和B的对数变换的Hu矩。定义对应于三种情况的距离如
在这里插入图片描述
当然也可以自己定义一个hu矩之间的距离：（欧几里德距离）

参考文章：

https://blog.csdn.net/shuiyixin/article/details/104646531
https://blog.csdn.net/lql0716/article/details/68267829
https://blog.csdn.net/red_ear/article/details/86165142

澳经理

关注

7
点赞
踩
57

收藏

觉得还不错? 一键收藏
3
评论
矩概念与图像矩详解及其hu矩的运用

一、矩概念详解矩这个东西，能组成的名词太多了，矩形，就是长方形，矩阵，就是m行n列的二维数组，所以想了解矩，就要从其具体的场景中去理解。今天我们要讲的图像矩，就是一个新的概念，图像矩就是图像的矩，这个概念来源于数学中的矩，所以我们要先来理解一下，数学中的矩。首先我们先来看一下它的定义和相关概念：       在数学和统计...
复制链接

扫一扫

专栏目录