OpenCV轮廓、多边形逼近、关键点、周长和面积、边界框、矩、轮廓树、凹凸包、几何直方图、匹配

1.轮廓的多边形逼近 

2.轮廓的关键点 

3.轮廓的周长和面积 

4.轮廓的边界框 

5.轮廓的矩 

6.轮廓的轮廓树  

7.轮廓的凸包和凸缺陷 

8.轮廓的成对几何直方图  

9.轮廓的匹配

   轮廓的特性：

1.轮廓的多边形逼近
    轮廓的多边形逼近指的是：使用多边形来近似表示一个轮廓。
    多边形逼近的目的是为了减少轮廓的顶点数目。
    多边形逼近的结果依然是一个轮廓，只是这个轮廓相对要粗旷一些。
    可以使用方法cvApproxPoly()

2.轮廓的关键点
    轮廓的关键点是：轮廓上包含曲线信息比较多的点。关键点是轮廓顶点的子集。
    可以使用cvFindDominantPoints函数来获取轮廓上的关键点，该函数返回的结果一个包含 关键点在轮廓顶点中索引 的序列。再次强调：是索引，不是具体的点。如果要得到关键点的具体坐标，可以用索引到轮廓上去找。

3.轮廓的周长和面积
    轮廓的周长可以用cvContourPerimeter或者cvArcLength函数来获取。
    轮廓的面积可以用cvContourArea函数来获取。

4.轮廓的边界框
    有三种常见的边界框：矩形、圆形、椭圆。
    （1）矩形：在图像处理系统中提供了一种叫Rectangle的矩形，不过它只能表达边垂直或水平的特例；OpenCv中还有一种叫Box的矩形，它跟数学上的矩形一致，只要4个角是直角即可。
    如果要获取轮廓的Rectangle，可以使用cvBoundingRect函数。
    如果要获取轮廓的Box，可以使用cvMinAreaRect2函数。
    （2）圆形
    如果要获取轮廓的圆形边界框，可以使用cvMinEnclosingCircle函数。
    （3）椭圆
    如果要获取轮廓的椭圆边界框，可以使用cvFitEllipse2函数。

5.轮廓的矩

    矩是通过对轮廓上所有点进行积分运算（或者认为是求和运算）而得到的一个粗略特征。

在连续情况下，图像函数为 f(x,y)，那么图像的p+q阶几何矩（标准矩）定义为：

p ,q = 0,1,2…… 

p+q阶中心距定义为：

 p,q = 0,1,2……

 

其中和代表图像的重心，

 

,

 

对于离散的数字图像，采用求和号代替积分：

 

,,p,q = 0,1,2 ……

 

N和M分别是图像的高度和宽度；

归一化的中心距定义为：；其中

在公式中，p对应x维度上的矩，q对应y维度上的矩，阶数表示对应的部分的指数。该计算是对轮廓界上所有像素（数目为n）进行求和。如果p和q全部为0，那么m00实际上对应轮廓边界上点的数目。

虽然可以直接计算出轮廓的矩，但是经常会用到归一化的矩（因此不同大小但是形状相同的物体会有相同的值）。同样，简单的矩依赖于所选坐标系，这意味着物体旋转后就无法正确匹配。

于是就产生了Hu矩以及其他归一化矩的函数。

Hu矩是归一化中心矩的线性组合。之所以这样做是为了能够获取代表图像某个特征的矩函数。这些矩函数对缩放，旋转和镜像映射出了（h1）具有不变性。

Hu矩是从中心矩中计算得到。即七个由归一化中心矩组合成的矩:  

 其中中心矩和归一化中心矩的定义为：

 

 

   我们可以使用cvContoursMoments函数、cvMoments函数方便的得到轮廓的矩集，然后再相应的方法或函数获取各种矩。
    特定的矩：cvGetSpatialMoment函数
    中心矩：cvGetCentralMoment函数
    归一化中心矩：cvGetNormalizedCentralMoment函数
    Hu矩：cvGetHuMoments函数

6.轮廓的轮廓树
    轮廓树用来描述某个特定轮廓的内部特征。注意：轮廓树跟轮廓是一一对应的关系；轮廓树不用于描述多个轮廓之间的层次关系。

    轮廓树的创建过程：

    从一个轮廓创建一个轮廓树是从底端（叶子节点）到顶端（根节点）的。首先搜索三角形突出或者凹陷的形状的周边（轮廓上的每一个点都不是完全和它的相邻点共线的）每个这样的三角形被一条线段代替，这条线段通过连接非相邻点的两点得到；因此实际上三角形或者被削平或者被填满。每个这样的替换都把轮廓的顶点减少，并且给轮廓树创建一个新节点。如果这样的一个三角形的两侧有原始边，那么她就是得到的轮廓树的叶子；如果一侧已是一个三角形，那么它就是那个三角形的父节点。这个过程的迭代最终把物体的外形简称一个四边形，这个四边形也被剖开；得到的两个三角形是根节点的两个子节点。

结果的二分树最终将原始轮廓的形状性比编码。每个节点被它所对应的三角形的信息所注释。

这样建立的轮廓树并不太鲁棒，因为轮廓上小的改变也可能会彻底改变结果的树，同时最初的三角形是任意选取的。为了得到较好的描述需要首先使用函数cvApproxPoly（）之后将轮廓排列（运用循环移动）成最初的三角形不怎么收到旋转影响的状态。
    可以用函数cvCreateContourTree来构造轮廓树。

 7.轮廓的凸包和凸缺陷
    轮廓的凸包和凸缺陷用于描述物体的外形。凸包和凸缺陷很容易获得，不过我目前不知道它们到底怎么使用。
    如果要判断轮廓是否是凸的，可以用cvCheckContourConvexity函数。
    如果要获取轮廓的凸包，可以用cvConvexHull2函数，返回的是包含顶点的序列。
    如果要获取轮廓的凸缺陷，可以用cvConvexityDefects函数。

 8.轮廓的成对几何直方图
    成对几何直方图（pairwise geometrical histogram PGH）是链码编码直方图（chain code histogram CCH）的一个扩展或者延伸。CCH是一种直方图，用来统计一个轮廓的Freeman链码编码每一种走法的数字。这种直方图的一个优良性质为当物体旋转45度，那么新直方图是老直方图的循环平移。这样就可以不受旋转影响。

    （1）轮廓保存的是一系列的顶点，轮廓是由一系列线段组成的多边形。对于看起来光滑的轮廓（例如圆），只是线段条数比较多，线段长度比较短而已。实际上，电脑中显示的任何曲线都由线段组成。
    （2）每两条线段之间都有一定的关系，包括它们（或者它们的延长线）之间的夹角，两条线段的夹角范围是：(0,180)。
    （3）每两条线段上的点之间还有距离关系，包括最短（小）距离、最远（大）距离，以及平均距离。最大距离我用了一个偷懒的计算方法，我把轮廓外界矩形的对角线长度看作了最大距离。
    （4）成对几何直方图所用的统计数据包括了夹角和距离。

9.轮廓的匹配
    如果要比较两个物体，可供选择的特征很多。如果要判断某个人的性别，可以根据他（她）头发的长短来判断，这很直观，在长发男稀有的年代准确率也很高。也可以根据这个人尿尿的射程来判断，如果射程大于0.50米，则是男性。总之，方法很多，不一而足。
    我们在上文中得到了轮廓的这么多特征，它们也可以用于进行匹配。典型的轮廓匹配方法有：Hu矩匹配、轮廓树匹配、成对几何直方图匹配。
 1>Hu矩匹配
    轮廓的Hu矩对包括缩放、旋转和镜像映射在内的变化具有不变性。cvMatchShapes函数可以很方便的实现对2个轮廓间的匹配。
 2>轮廓树匹配
    用树的形式比较两个轮廓。cvMatchContourTrees函数实现了轮廓树的对比。
 3>成对几何直方图匹配
    在得到轮廓的成对几何直方图之后，可以使用直方图对比的方法来进行匹。

 

轮廓匹配源码1：

IplImage* img_8uc1 = cvLoadImage("flower.jpg",CV_LOAD_IMAGE_GRAYSCALE);    
    IplImage* img_edge1 = cvCreateImage(cvGetSize(img_8uc1),8,1);    
    IplImage* img_8uc3 = cvCreateImage(cvGetSize(img_8uc1),8,3);    
    
    cvThreshold(img_8uc1,img_edge1,128,255,CV_THRESH_BINARY);    
    
    
    CvMemStorage* storage1 = cvCreateMemStorage();    
    CvSeq* first_contour1 = NULL;    
    
    int Nc = cvFindContours(    
        img_edge1,    
        storage1,    
        &first_contour1,    
        sizeof(CvContour),    
        CV_RETR_LIST    
        );    
    
    IplImage* img_8uc12 = cvLoadImage("flower1.jpg",CV_LOAD_IMAGE_GRAYSCALE);    
    IplImage* img_edge12 = cvCreateImage(cvGetSize(img_8uc12),8,1);    
    IplImage* img_8uc3 = cvCreateImage(cvGetSize(img_8uc1),8,3);    
    
    cvThreshold(img_8uc12,img_edge12,128,255,CV_THRESH_BINARY);    
    
    
    CvMemStorage* storage2 = cvCreateMemStorage();    
    CvSeq* first_contour2 = NULL;    
    
    int Nc2 = cvFindContours(    
        img_edge12,    
        storage2,    
        &first_contour2,    
        sizeof(CvContour),    
        CV_RETR_LIST    
        );    
    
    double n = cvMatchShapes(first_contour1,first_contour2,CV_CONTOURS_MATCH_I1,0);    
    
    printf("%d",n);    
    
    cvWaitKey();    
    
    IplImage* img_8uc1 = cvLoadImage("flower.jpg",CV_LOAD_IMAGE_GRAYSCALE);    
    IplImage* img_edge1 = cvCreateImage(cvGetSize(img_8uc1),8,1);    
    IplImage* img_8uc3 = cvCreateImage(cvGetSize(img_8uc1),8,3);    
    
   cvThreshold(img_8uc1,img_edge1,128,255,CV_THRESH_BINARY);    
    
    
   CvMemStorage* storage1 = cvCreateMemStorage();    
   CvSeq* first_contour1 = NULL;    
    
   int Nc = cvFindContours(    
      img_edge1,    
      storage1,    
      &first_contour1,    
     sizeof(CvContour),    
     CV_RETR_LIST    
      );    
    CvContourTree* tree1 = cvCreateContourTree(    
    first_contour1,    
   storage1,    
   200    
    );    
     
    IplImage* img_8uc12 = cvLoadImage("flower1.jpg",CV_LOAD_IMAGE_GRAYSCALE);    
    IplImage* img_edge12 = cvCreateImage(cvGetSize(img_8uc12),8,1);    
    IplImage* img_8uc3 = cvCreateImage(cvGetSize(img_8uc1),8,3);    
     
    cvThreshold(img_8uc12,img_edge12,128,255,CV_THRESH_BINARY);    
     
     
    CvMemStorage* storage2 = cvCreateMemStorage();    
    CvSeq* first_contour2 = NULL;    
     
    int Nc2 = cvFindContours(    
        img_edge12,    
        storage2,    
        &first_contour2,    
        sizeof(CvContour),    
        CV_RETR_LIST    
        );    
    CvContourTree* tree2 = cvCreateContourTree(    
        first_contour2,    
        storage2,    
        200    
        );    
    double n = cvMatchContourTrees(tree1,tree1,CV_CONTOURS_MATCH_I1,200);    
     
    printf("%d",n);    
    cvWaitKey();

几何直方图匹配方：

#include "gesrec.h"     
#include <stdio.h>    
//     
#define PI 3.14159f     
//轮廓面积比较函数     
static int gesContourCompFunc(const void* _a, const void* _b, void* userdata)     
{     
int retval; double s1, s2;    
CvContour* a = (CvContour*)_a;    
CvContour* b = (CvContour*)_b;     
 s1 = fabs(cvContourArea(a));     
s2 = fabs(cvContourArea(b));    
//s1 = a->rect.height * a->rect.width;    
//s2 = b->rect.height * b->rect.width;     
if(s1 < s2)     
{     
retval = 1;    
}     
else if(s1 == s2)     
{     
retval = 0;     
}    
else     
{     
retval = -1;     
}     
return retval;     
}     
//src:BGR dst:     
void gesFindContours(IplImage* src, IplImage* dst, CvSeq** templateContour,     
CvMemStorage* templateStorage, int flag)    
 {     
int count;//轮廓数    
IplImage* gray;     
CvMemStorage* first_sto;     
CvMemStorage* all_sto;     
CvSeq* first_cont;     
CvSeq* all_cont;    
 CvSeq* cur_cont;     
 //初始化动态内存    
first_sto = cvCreateMemStorage(0);    
first_cont = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), first_sto);    
all_sto = cvCreateMemStorage(0);     
all_cont = cvCreateSeq(0, sizeof(CvSeq), sizeof(CvSeq), all_sto);     
//创建源图像对应的灰度图像     
gray = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1);     
cvCvtColor(src, gray, CV_BGR2GRAY);     
//得到图像的外层轮廓     
count = cvFindContours(gray, first_sto, &first_cont, sizeof(CvContour), CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);     
//如果没有检测到轮廓则返回     
if(first_sto == NULL) { return; }     
//将所有的轮廓都放到first_cont中     
for(;first_cont != 0;first_cont = first_cont->h_next) { if(((CvContour* )first_cont)->rect.height * ((CvContour* )first_cont)->rect.width >=625) cvSeqPush(all_cont, first_cont); }     
//对轮廓按照面积进行排序    
cvSeqSort(all_cont, gesContourCompFunc, 0);     
//在dst中画出轮廓     
cvZero(dst);    
  for(int i = 0;i < min(all_cont->total, 3);i++)//次数待改     
{     
 cur_cont = (CvSeq* )cvGetSeqElem(all_cont, i);     
 if(flag != 0 && i == 0) {    
    *templateContour = cvCloneSeq(cur_cont, templateStorage);     
}     
 CvScalar color = CV_RGB(rand()&255, rand()&255, rand()&255);     
 cvDrawContours(dst, (CvSeq* )cur_cont, color, color, -1, 1, 8);     
}     
//判断原点位置以确定是否需要反转图像    
if(src->origin == 1) {     
  cvFlip(dst);     
}    
//释放内存    
cvReleaseMemStorage(&first_sto);     
cvReleaseMemStorage(&all_sto);    
 cvReleaseImage(&gray);     
}     
 void gesMatchContoursTemplate(IplImage* src, IplImage* dst, CvSeq** templateContour)     
{    
 CvSeq* contour;     
CvMemStorage* storage;     
//初始化动态内存    
storage = cvCreateMemStorage(0);    
 contour = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), storage);     
//得到轮廓并进行匹配    
gesFindContours(src, dst, &contour, storage, 1);     
if(contour->total != 0)//如果得到的轮廓不为空     
{     
double result = cvMatchShapes((CvContour* )contour, (CvContour* )(*templateContour), CV_CONTOURS_MATCH_I3); printf("%.2fn", result);//    
}     
//释放内存    
cvReleaseMemStorage(&storage); }     
//模版匹配法的完整实现    
int gesMatchContoursTemplate2(IplImage* src, IplImage* dst, CvSeq* templateContour)     
{    
 CvSeq* contour; CvSeq* cur_cont;     
CvMemStorage* storage;     
double minValue, tempValue;    
int i, minIndex;     
//初始化动态内存    
storage = cvCreateMemStorage(0);     
contour = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), storage);     
//得到轮廓并进行匹配     
minIndex = -1; gesFindContours(src, dst, &contour, storage, 1);    
if(contour->total != 0)//如果得到的轮廓不为空     
{     
if(templateContour->total != 0)     
{    
 cur_cont = (CvSeq* )cvGetSeqElem(templateContour, 0);     
 minValue = cvMatchShapes((CvContour* )contour, (CvContour* )cur_cont, CV_CONTOURS_MATCH_I3);    
 minIndex = 0;    
 printf("0:%.2fn", minValue);    
 }     
for(i = 1;i < templateContour->total;i++)    
{     
 cur_cont = (CvSeq* )cvGetSeqElem(templateContour, i);    
 tempValue = cvMatchShapes((CvContour* )contour, (CvContour* )cur_cont, CV_CONTOURS_MATCH_I3);    
 if(tempValue < minValue)     
 {    
   minValue = tempValue; minIndex = i; } printf("%d:%.2fn", i, tempValue);     
 }     
 if(minValue >= 0.3)     
 {    
   minIndex = -1;     
 }     
}     
//打印匹配结果    
printf("the result is %dn", minIndex);    
//释放内存    
cvReleaseMemStorage(&storage);     
  return minIndex;    
}    
//找出轮廓最大的5个极大值点     
void gesFindContourMaxs(CvSeq* contour)     
{     
int i; CvScalar center;//重心位置     
CvPoint* p; CvMat max;//存储5个极大值的数组     
double initMax[] = {-1, -1, -1, -1, -1};//初始极大值设置为-1     
double minValue, maxValue;    
//5个极大值中的最大值与最小值     
CvPoint minLoc;//最小值的位置     
double preDistance = 0;     
bool isCandidate = false;//是否是候选的极大值点    
//初始化重心位置     
center = cvScalarAll(0);    
//初始化极大值矩阵     
max = cvMat(1, 5, CV_64FC1, initMax);     
//首先求出轮廓的重心    
for(i = 0;i < contour->total;i++)    
{     
 p = (CvPoint* )cvGetSeqElem(contour, i);     
 center.val[0] += p->x; center.val[1] += p->y;     
}    
 center.val[0] /= contour->total;    
 center.val[1] /= contour->total;    
//遍历轮廓,找出所有的极大值点     
for(i = 0;i < contour->total;i++)     
{    
 p = (CvPoint* )cvGetSeqElem(contour, i);     
double distance = sqrt(pow(center.val[0] - p->x, 2) + pow(center.val[1] - p->y, 2));    
if(distance > preDistance)    
{     
  isCandidate = true;     
}     
else if(distance < preDistance && isCandidate == true)    
{     
  cvMinMaxLoc(&max, &minValue, &maxValue, &minLoc);     
  if(distance > minValue)     
  {     
    cvmSet(&max, minLoc.y, minLoc.x, distance);    
  }    
  isCandidate = false;    
}    
else     
{ isCandidate = false; }    
 preDistance = distance;     
}     
//打印5个极大值     
printf("%.2f %.2f %.2f %.2f %.2fn", cvmGet(&max, 0, 0), cvmGet(&max, 0, 1), cvmGet(&max, 0, 2), cvmGet(&max, 0, 3), cvmGet(&max, 0, 4));    
}     
//计算轮廓的pair-wise几何直方图     
CvHistogram* gesCalcContoursPGH(CvSeq* contour)     
{     
CvHistogram* hist;//成对几何直方图    
CvContour* tempCont;    
//得到成对几何直方图第二个维度上的范围     
tempCont = (CvContour* )contour; cvBoundingRect(tempCont, 1);     
int sizes[2] = {60, 200}; float ranges[2][2] = {{0,PI}, {0,200}};     
float** rangesPtr = new float* [2];     
rangesPtr[0] = ranges[0]; rangesPtr[1] = ranges[1];     
//初始化几何直方图     
hist = cvCreateHist(2, sizes, CV_HIST_ARRAY, rangesPtr, 1);     
//计算轮廓的成对几何直方图     
cvCalcPGH(contour, hist); return hist;     
}    
//对轮廓的pair-wise几何直方图进行匹配    
void gesMatchContoursPGH(CvSeq* contour, CvHistogram* templateHist)    
{    
 CvHistogram* hist;    
//得到轮廓的成对几何直方图    
hist = gesCalcContoursPGH(contour);     
//归一化直方图    
cvNormalizeHist(templateHist, 1); cvNormalizeHist(hist, 1);     
//直方图匹配     
double result = cvCompareHist(hist, templateHist, CV_COMP_INTERSECT);     
printf("result:%.2fn", result);    
//释放内存    
cvReleaseHist(&hist);    
}