Opencvsharp—matchshape算子实现简单的形状匹配

算子：

matchShapes( InputArray contour1, InputArray contour2, int method, double parameter )

（1）参数1是待匹配轮廓或者灰度图像

（2）参数2同参数1

（3）比较参数1和2相似度的方法，opencv提供了三种如下：

            CV_CONTOURS_MATCH_I1
            CV_CONTOURS_MATCH_I2
            CV_CONTOURS_MATCH_I3

（4）参数4为目前还不支持，使用时赋个0就ok。

针对三种匹配方法进行比较，结果如下：

形状匹配过程：

1. 将待识别图像 -> 灰度处理 -> 自动阈值分割

2. 通过轮廓检索函数 cv.findContours 找到待识别图像所有轮廓

3. 模板图像 -> 灰度图像 -> 自动阈值分割

4. 通过轮廓检索函数 cv.findContours 找到模板图像中目标的外轮廓

5. 将第2步得到的轮廓逐一和第4步得到的轮廓 通过 cv.matchShapes 函数进行形状匹配。找到其中最小值，最小值对应的待识别图像中的轮廓即为匹配到的模板图像

6. 标出在待识别图像中找到的模板图像

注意：利用mathshape得到的匹配分值越小，则两个轮廓越相似，越大则越不相似。在匹配过程中会通过匹配分值与设定的分值进行比较，在保证匹配效果完美的情况下，设定的分值越低越好，如果设定的匹配分值略高，可能会导致两个完全不相似的形状匹配成功（亲身实验，分值设高，利用三角形会匹配到圆形）。

另外，matchShapes函数其实比较的是两个轮廓的Hu不变矩。Hu矩特性：具有旋转，缩放和平移不变性。由Hu矩组成的特征量对图片进行识别，优点就是速度很快，缺点是识别率比较低。 因此Hu不变矩一般用来识别图像中大的物体，对于物体的形状描述得比较好，图像的纹理特征不能太复杂。

代码：

（1）创建形状轮廓模板

vector<Point> ImageTemplateContours(Mat img_template)
{
   
   
	//灰度化
	Mat gray_img_template;
	cvtColor(img_template, gray_img_template, COLOR_BGR2GRAY);
 
	//阈值分割
	Mat thresh_img_template;
	threshold(gray_img_template, thresh_img_template, 0, 255, THRESH_OTSU);
	//膨胀处理
	Mat ellipse = getStructuringElement(MORPH_ELLIPSE