圖像的幾何不變矩

矩特征主要表征了圖像區域的幾何特征,又稱為幾何矩， 由於其具有旋轉、平移、尺度等特性的不變特征，所以又稱其為不變矩。在圖像處理中，幾何不變矩可以作為一個重要的特征來表示物體，可以據此特征來對圖像進行分類等操作。如果想詳細了解不變矩的概念、公式等請參考下面的論文：
不變矩方法研究
一種實用的不變矩計算方法

http://download.csdn.net/source/1943495

 

1.     HU矩

幾何矩是由Hu(Visual pattern recognition by moment invariants)在1962年提出的，圖像f(x，y)的(p+q)階幾何矩定義為

        Mpq =∫∫(x^p)*(y^q)f(x，y)dxdy(p，q = 0，1，……∞）

        矩在統計學中被用來反映隨機變量的分布情況，推廣到力學中，它被用作刻畫空間物體的質量分布。同樣的道理，如果我們將圖像的灰度值看作是一個二維或三維的密度分布函數，那麼矩方法即可用於圖像分析領域並用作圖像特征的提取。最常用的，物體的零階矩表示了圖像的「質量」：

                   Moo= ∫∫f(x，y )dxdy

        一階矩(M01，M10)用於確定圖像質心( Xc，Yc)：

              Xc = M10/M00;Yc = M01/M00;

         若將坐標原點移至 Xc和 Yc處，就得到了對於圖像位移不變的中心矩。如

            Upq =∫∫[(x-Xc)^p]*[(y-Yc)^q]f(x，y)dxdy。

        Hu在文中提出了7個幾何矩的不變量，這些不變量滿足於圖像平移、伸縮和旋轉不變。如果定義

         Zpq=Upq/(U20 + U02)^(p+q+2)，

      Hu 的7種矩為：

      H1=Z20+Z02;H1=(Z20+Z02)^2+4Z11^2;......

矩是描述圖像特征的算子，它在模式識別與圖像分析領域中有重要的應用．迄今為止，常見的矩描述子可以分為以下幾種：幾何矩、正交矩、復數矩和旋轉矩．其中幾何矩提出的時間最早且形式簡單，對它的研究最為充分。幾何矩對簡單圖像有一定的描述能力，他雖然在區分度上不如其他三種矩，但與其他幾種算子比較起來，他極其的簡單，一般只需用一個數字就可表達。所以，一般我們是用來做大粒度的區分，用來過濾顯然不相關的文檔。

比如在圖形庫中，可能有100萬幅圖，也許只有200幅圖是我們想要的。使用一維的幾何矩的話，就可以對幾何矩進行排序，建立索引，然後選出與目標圖的幾何矩最近的2000幅圖作比較就好了。而對於其他的矩來說，由於一般是多維的關系，一般不好排序，只能順序查找，自然速度有巨大的差別.所以。雖然幾何矩不太能選出最像的，但可以快速排除不像的，提高搜索效率。

幾種簡單的幾何矩：

令平面上點坐標為P(x,y),重心為C(x!,y!),
二階行距：rowMoment = [Σ（x- x!）*（x- x!）]/A
二階列距：colMoment = [Σ（y- y!）*（y- y!）]/A
A為點的個數。
由以上兩個信息可以算出圖形的圓度：circleDisgree = rowMoment /colMoment .如果圖形的circleDisgree 越小於1，則它越趨向於長軸為y方向的橢圓。如果圖形的circleDisgree 越大於1，則它越趨向於長軸為x方向的橢圓.如果圖形的circleDisgree 越接近於1，則它越趨向於圓。
所以我們可以使用圓度這種幾何矩，對其進行索引，實現快速過濾。

//代碼實例

double* Getsquare(int **Array1,int Width,int Height//Array1圖像灰度矩陣

{

  int x,y;

  double pSum,dx,dy;

  int xmax,xmin,ymax,ymin,xSum,ySum,PointSum;

  double dd,n1,n2,xAve,yAve;

  pSum=Height*Width;

  xSum=0;ySum=0;PointSum=0;

  xmin=10000;ymin=10000;xmax=-1;ymax=-1;

 

  for (y=0 ;y<Height; y++)

  {

    for (x=0; x<Width; x++)

    {

      if (Array1[x][y]==255)

      {

       continue;

      }

      xSum=xSum+x;ySum=ySum+y;++PointSum;

      if (x<xmin)

       {

          xmin=x;

       }

      if (x>xmax)

      {

         xmax=x;

      }

    }

    if (y<ymin)

    {

       ymin=y;

    }

    if (y>ymax)

    {

      ymax=y;

    }

  }

if (pSum==0)

{

 goto Loop;

}

xAve=xSum/pSum;

yAve=ySum/pSum;

///上面為計算x,y平均值

for (x=1; x<16; x++)

{

 SqureNumber[x]=0;

}

// 11 20 02 21+ 21- 12+ 12- 30+ 30- 03+ 02-

for (y=0; y<Height; y++)

{

    for (x=0; x<Width; x++)

    {

      if (Array1[x][y]==255)

      {

       continue;

      }

      dx=x-xAve;dy=y-yAve;

      SqureNumber[1]=SqureNumber[1]+dx*dx;      // 計算 u(11) 11

      SqureNumber[2]=SqureNumber[2]+dx*dx;      // 計算 u(20) 20

      SqureNumber[3]=SqureNumber[3]+dy*dy;      // 計算 u(02) 02

      if (dy>0)

      {

        SqureNumber[4]=SqureNumber[4]+dx*dx*dy; // 計算 u(21)+ 21+

      }

      else

      {

        SqureNumber[5]=SqureNumber[5]+dx*dx*dy; // 計算 u(21)- 21-

      }

      if( dx>0 )

      {

        SqureNumber[6]=SqureNumber[6]+dx*dy*dy; // 計算 u(12)+ 12+

      }

      else

      {

        SqureNumber[7]=SqureNumber[7]+dx*dy*dy; // 計算 u(12}- 12-

      }

      if (dx>0 )

      {

        SqureNumber[8]=SqureNumber[8]+dx*dx*dx ;// 計算 u(30)+ 30+

      }

      else

      {

        SqureNumber[9]=SqureNumber[9]+dx*dx*dx; // 計算 u(30)- 30-

      }

      if (dy>0)

      {

        SqureNumber[10]=SqureNumber[10]+dy*dy*dy ;// 計算 u(03)+ 03+

      }

      else

      {

        SqureNumber[11]=SqureNumber[11]+dy*dy*dy;// 計算 u(03)- 03-

      }

    }//end for x

}// end for y;

for (x=1; x<12; x++)

{

 SqureNumber[x]=SqureNumber[x]/pSum;

}

///計算圖像的各階矩

for (x=12; x<21; x++)

{

 SqureNumber[x]=0;

}

SqureNumber[12]=((SqureNumber[2]-SqureNumber[3])/(SqureNumber[2]+SqureNumber[3]))/2; //長寬比特征

 

dd=sqrt((SqureNumber[2]-SqureNumber[3])*(SqureNumber[2]-SqureNumber[3])+4*SqureNumber[1]*SqureNumber[1]);

dd=dd+(SqureNumber[2]-SqureNumber[3]);

SqureNumber[16]=2*atan(dd/(2*SqureNumber[1]))/M_PI; ///字型傾斜度

 

dd=sqrt((SqureNumber[2]-SqureNumber[3])*(SqureNumber[2]-SqureNumber[3])+4*SqureNumber[1]*SqureNumber[1]);

n1=((SqureNumber[2]+SqureNumber[3])+dd)/2;

n2=((SqureNumber[2]+SqureNumber[3])-dd)/2;

SqureNumber[14]=(n1-n2)/(n1+n2);                   //拉長度

 

n1=sqrt((ymax-ymin)*(xmax-xmin));

dd=sqrt((SqureNumber[2]+SqureNumber[3])/PointSum);

SqureNumber[15]=dd/n1;                             //伸展度

 

dd=(SqureNumber[8]-SqureNumber[9])/(SqureNumber[8]+SqureNumber[9]);

SqureNumber[16]=(dd+1)/2;                          //水平偏移度

 

dd=(SqureNumber[10]-SqureNumber[11])/(SqureNumber[10]+SqureNumber[11]);

SqureNumber[17]=(dd+1)/2;                          //垂直偏移度

 

dd=(SqureNumber[4]-SqureNumber[5])/(SqureNumber[4]+SqureNumber[5]);

SqureNumber[18]=(dd+1)/2;                          //水平伸展度度

 

dd=(SqureNumber[6]-SqureNumber[7])/(SqureNumber[6]+SqureNumber[7]);

SqureNumber[19]=(dd+1)/2;                          //垂直伸展度

Loop:;

}

 

2.Zernike矩

在模式識別中,一個重要的問題是對目標的方向性變化也能進行識別。Zernike 矩是一組正交矩,具有旋轉不變性的特性,即旋轉目標並不改變其模值。。由於Zernike 矩可以構造任意高階矩,所以Zernike 矩的識別效果優於其他方法.

Zernike 提出了一組多項式{ V nm ( x , y) } 。這組多項式在單位圓{ x2 + y2 ≦1} 內是正交的,具有如下形式: V nm ( x , y) = V nm (ρ,θ) = Rnm (ρ) exp ( jmθ) ,並且滿足   ∫∫ x^2+y^2 <= 1  [( V nm ( x , y) 的共軛]* V pq ( x , y) d x d y.      = [pi/(n+1)]*δnpδmq .

if(a==b)  δab = 1 else  δab = 0，n 表示正整數或是0；m是正整數或是負整數它表示滿足m的絕對值<=n 而且n-m的絕對值是偶數這兩個條件；ρ 表示原點到象素（x，y）的向量的距離；θ 表示向量ρ 跟x 軸之間的夾角（逆時針方向）.

對於一幅數字圖象,積分用求和代替,即A nm =ΣxΣy f(x,y) *[( V nm (ρ,θ) 的共軛],x^2+y^2 <=1

實際計算一幅給定圖象的Zernike 矩時,必須將圖象的重心移到坐標圓點,將圖象象素點映射到單位圓內。由以上可知,使[ V nm (ρ,θ) 的共軛]可提取圖象的特征,低頻特性由n 值小的[( V nm (ρ,θ) 的共軛]來提取,高頻特性由n 值大的來提取。Zernike 矩可以任意構造高價矩, 而高階矩包含更多的圖象信息, 所以Zernike 矩識別效果更好。,Zernike 矩僅僅具有相位的移動。

它的模值保持不變。所以可以將| A nm | 作為目標的旋轉不變性特征。因為| A nm | =| A n , - m | ,所以只需計算m ≧0 的情況。