基于opencv识别二值图像特定连通图形的算法介绍

本文主要介绍一些涉及到的编程思想。

至于源代码，这个程序功能本身并没有什么现实意义，而且由于程序几乎没有调用外部接口，全是独立实现，程序复杂冗长，也与当今编程方法相背，所以不再展示。

 

 

这是程序运行的效果：

将两个正方形的描边颜色去掉就是原图。

 

提取图像特征

在进行图像识别工作的时候，最重要的就是找到要识别的目标区别于其它图形的特征。而且该特征对于识别目标具有稳定性.

其中比较重要的就是要满足旋转不变性。

提取特征的方案

目前涉及的问题主要是二值图像中的识别问题，所以要识别的图形可以转化为对应的边缘，而区别不同的图形也是使用对应的边缘。因此大部分问题的考虑是从一个图形的质心入手的。

对每个图形内的封闭图形，计算出图形的重心，并在边缘上选取距离重心特定距离的像素点。

提取的基本特征为选取距离重心最近的点A和最远的点B，分别计算OA和OB向量的点积和模的比值，根据精度需要的不同，还可继续选取到重心的“中间距离”，即最远和最近的平均，得到点C，并同样计算点积，以此类推可逐渐扩展。选取的所有特定距离的点构成的点集之间的向量运算结果，将点积结果统一除以最近距离的平方进行归一化。从而每个特征数值构成了特征空间中的一个点。

 

对识别程序进行训练

首先需要准备大量的待识别图形的样本图像，将图形特征转化为特征空间中的点后，就可以很方便地使用聚类算法进行聚类分析，从而将特征空间中的特定区域标定为目标图形的特征区域。

具体聚类方案

一个特定图形在特征空间的分布不一个是一块区域，可能是若干分离的区域。特征空间中点的整合过程的截止用密度来进行标定。被圈定的点集具有一个对应的密度（维度范围的面积和点集中点的数量的比值），当一个新的点加入的时候，若导致点群的密度变化率超过阈值，则判断聚类失败，这同样是在使用训练结果的时候，判断是个未知图形是否为待识别目标的原则。用这样的规则 ，在最近点优先的原则下，将所有点进行聚类，即可得到用于识别目标的特征空间。