Goal
在本教程中，您将学习如何：
使用 OpenCV 函数 cv::moments
使用 OpenCV 函数 cv::contourArea
使用 OpenCV 函数 cv::arcLength
Theory
Code
本教程代码如下所示。 你也可以从这里下载
https://github.com/opencv/opencv/tree/4.x/samples/cpp/tutorial_code/ShapeDescriptors/moments_demo.cpp
/**
* @function moments_demo.cpp
* @brief Demo code to calculate moments
* @author OpenCV team
*/
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
#include <iomanip>
using namespace cv;
using namespace std;
Mat src_gray;
int thresh = 100;//边缘检测阈值
RNG rng(12345);
/// Function header
void thresh_callback(int, void* );
/**
* @function main
*/
int main( int argc, char** argv )
{
/// Load source image
CommandLineParser parser( argc, argv, "{@input | stuff.jpg | input image}" );
Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
if( src.empty() )
{
cout << "Could not open or find the image!\n" << endl;
cout << "usage: " << argv[0] << " <Input image>" << endl;
return -1;
}
/// Convert image to gray and blur it
cvtColor( src, src_gray, COLOR_BGR2GRAY );
blur( src_gray, src_gray, Size(3,3) );
/// Create Window
const char* source_window = "Source";
namedWindow( source_window );
imshow( source_window, src );
const int max_thresh = 255;
createTrackbar( "Canny thresh:", source_window, &thresh, max_thresh, thresh_callback );
thresh_callback( 0, 0 );
waitKey();
return 0;
}
/**
* @function thresh_callback
*/
void thresh_callback(int, void* )
{
/// Detect edges using canny
Mat canny_output;
Canny( src_gray, canny_output, thresh, thresh*2, 3 );
/// Find contours
vector<vector<Point> > contours;
findContours( canny_output, contours, RETR_TREE, CHAIN_APPROX_SIMPLE );
/// 计算矩Get the moments
vector<Moments> mu(contours.size() );
for( size_t i = 0; i < contours.size(); i++ )
{//https://zhuanlan.zhihu.com/p/101297923
mu[i] = moments( contours[i] );//多边形的矩
}
/// 获取质心 Get the mass centers
vector<Point2f> mc( contours.size() );
for( size_t i = 0; i < contours.size(); i++ )
{
//add 1e-5 to avoid division by zero 添加 1e-5 以避免被零除
mc[i] = Point2f( static_cast<float>(mu[i].m10 / (mu[i].m00 + 1e-5)),
static_cast<float>(mu[i].m01 / (mu[i].m00 + 1e-5)) );//计算多边形的质心：一阶矩/零阶矩
cout << "mc[" << i << "]=" << mc[i] << endl;//输出质心坐标
}
/// 绘制轮廓Draw contours
Mat drawing = Mat::zeros( canny_output.size(), CV_8UC3 );
for( size_t i = 0; i< contours.size(); i++ )
{
Scalar color = Scalar( rng.uniform(0, 256), rng.uniform(0,256), rng.uniform(0,256) );//随机颜色
drawContours( drawing, contours, (int)i, color, 2 );//绘制轮廓
circle( drawing, mc[i], 4, color, -1 );//绘制质心
}
/// 在窗口显示 Show in a window
imshow( "Contours", drawing );
/// Calculate the area with the moments 00 and compare with the result of the OpenCV function
//计算矩为 00 的面积并与 OpenCV 函数的结果进行比较
cout << "\t Info: Area and Contour Length \n";
for( size_t i = 0; i < contours.size(); i++ )
{
cout << " * Contour[" << i << "] - Area (M_00) = " << std::fixed << std::setprecision(2) << mu[i].m00
<< " - Area OpenCV: " << contourArea(contours[i]) << " - Length: " << arcLength( contours[i], true ) << endl;
}
}
Explanation
Result
参考：
【从零学习OpenCV 4】图像矩的计算与应用 - 知乎 (zhihu.com)
OpenCV学习(33) 轮廓的特征矩Moment
OpenCV学习(33) 轮廓的特征矩Moment - 迈克老狼2012 - 博客园 (cnblogs.com)
在OpenCV中，可以很方便的计算多边形区域的3阶特征矩，opencv中的矩主要包括以下几种：空间矩，中心矩和中心归一化矩。
class Moments { public: ......
// 空间矩
double m00, m10, m01, m20, m11, m02, m30, m21, m12, m03;
// 中心矩
double mu20, mu11, mu02, mu30, mu21, mu12, mu03;
// 中心归一化矩
double nu20, nu11, nu02, nu30, nu21, nu12, nu03; }
空间矩的公式为：
可以知道，对于01二值化的图像，m00即为轮廓的面积。
中心矩的公式为：
其中：
归一化的中心矩公式为：
OpenCV中计算矩的函数为：Moments
moments(InputArray array, bool binaryImage=false )
在OpenCV中，还可以很方便的得到Hu不变距，Hu不变矩在图像旋转、缩放、平移等操作后，仍能保持矩的不变性，所以有时候用Hu不变距更能识别图像的特征。Hu不变矩的基本概念请参考paper：Hu. Visual Pattern Recognition by Moment Invariants, IRE Transactions on Information Theory, 8:2, pp. 179-187, 1962， 或者参考中文介绍：【图像算法】图像特征：几何不变矩--Hu矩 - SkySeraph - 博客园
Hu不变矩主要是利用归一化中心矩构造了7个不变特征矩：
OpenCV中计算Hu矩的公式为：
HuMoments(const Moments& m, OutputArray hu)
matchShapes函数其实比较的是两个轮廓的Hu不变矩，第三个参数决定比较的方式，下面是第三个参数的三个可选值。
什么叫图像的矩，在数字图像处理中有什么作用？ - 知乎 (zhihu.com)
矩用来抽取图像（块）特征。
本质上，Hu矩其实就是泰勒级数展开的对应项。其他类型的矩也是对应多项式展开的级数（如Legendre矩对应Legendre级数）。
所以在图像里，低阶矩反映低频（主要的）信息，高阶矩反映高频（细节）信息。
矩用来抽取图像（块）特征。
本质上，Hu矩其实就是泰勒级数展开的对应项。其他类型的矩也是对应多项式展开的级数（如Legendre矩对应Legendre级数）。
所以在图像里，低阶矩反映低频（主要的）信息，高阶矩反映高频（细节）信息。
普通几何矩是基于图像原点计算的，对于图像f(x)，其p+q阶普通矩的计算公式为：
上式中C和R分别表征图像的列和行。
利用几何矩进行基于区域的特征描述时，不同的阶数表示了不同的特性。各阶矩的物理意义可以表述如下。
1）零阶矩
根据几何矩的定义，0阶矩m00表征目标区域面积。
2）一阶矩
一阶矩m01和m10分别为图像关于x轴和y轴的矩，可以用来确定目标区域的质心，其坐标可表示为：
3）二阶矩
图像的二阶矩m20和m02分别表示目标区域在水平和垂直方向上的伸展均衡度，m20大于0表示目标区域下部的水平伸展度比上部大，小于0表示上部的水平伸展度比下部大；m02大于0表示图像右边的垂直伸展比左边大，小于0则正相反。m11表示目标区域的倾斜度，m11大于0表示图像向左上倾斜，小于0表示图像向右上倾斜。另外，m20和m02为对x轴和y轴的惯性矩，通过组合它们可以确定几个重要的特性，例如主轴比和方向、离心率、圆形度等等。
4） 三阶矩
三阶矩或者三阶以上矩，是目标区域轮廓细节和低阶矩变化的具体表现。其中，m30和m03描述了边界曲线投影的扭曲程度，即关于均值对称分布的偏差程度，分别表示轮廓在水平和垂直方向上的重心偏移度。m30大于0表示重心偏左，小于0表示重心偏右；m03大于0表示重心向上偏移，小于0表示重心向下偏移。m21和m12表示目标区域的水平和垂直伸展的均衡程度，m21大于0表示目标区域上部的水平伸展比下部大，小于零则相反，m12大于零表示目标区域右边的垂直伸展比左边大，小于零则相反。
上述图像矩为普通矩，其值随目标区域的旋转、平移、尺度变化而改变，在实际应用中，为了提高图像矩的适用能力，需要将普通矩转换为具有旋转、平移和尺度不变性的Hu矩。针对平移不变性、尺度不变性和旋转不变性，构造Hu矩。
平移不变性：根据目标区域质心坐标x0,y0，构造中心矩：
由于选择以目标质心为基准构造中心矩，因此矩的计算结果只与目标质心的相对位置有关，而与目标绝对位置无关，从而具有了平移不变性。
尺度不变性：已知零阶中心矩u00表征目标区域的面积，为在计算图像矩时剔除尺度因素影响，可以利用0阶中心矩u00对各阶中心矩做归一化处理，得到归一化中心矩：
旋转不变性：根据中心矩的二阶矩和三阶矩，构造出7个不变矩组，其再图像平移、尺度变化和旋转时保持不变。
对于图像的Hu矩特征，由于Hu矩包含低阶特征例如面积、以及高阶特征例如旋转半径、方位等其单帧静态数值和多帧的动态变化都可能对图像识别有效果。
Hu矩是描述目标区域形状特性的重要特征，一般在图像检测仿真中实现此特征，并通过有效的特征筛选方法评估此特征的有效性，再决定是否使用该特征。
【从零学习OpenCV 4】图像矩的计算与应用 - 知乎 (zhihu.com)
(6条消息) 图像中的矩概念_Edgar_U的博客-CSDN博客_图像块的矩
什么叫图像的矩，在数字图像处理中有什么作用？ - 知乎 (zhihu.com)
图像的矩是用来描述图像形状特征的，以及形状的概率分布矩是统计学和概率论的一个概念，是均值、方差概念的扩展。所以可以用矩来描述和表征不同的形状，可以作为目标识别的一种特征来训练机器学习系统具体效果怎么样，我还不知道，但可以肯定的是，用矩来描述不同形状的图像的准确性肯定没有深度学习的特征好。只能算是表述形状的一个初等特征，类似圆形度，密实度这一水平的特征。
扫一扫
895
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
