基于hu不变矩的图像检索技术_用机器学习的分类算法识别象棋棋子——兼论旋转不变性...

1. 前言

文本识别早已经不是问题了，不过却不能直接应用于象棋棋子的识别，因为棋盘上的棋子是随机摆放上去的，不能保证棋子上的文字总是保持一个固定的角度。识别棋子的关键是找到具有“旋转不变性”的特征——无论棋子旋转多少度，其特征总是稳定的。

2. 图像的矩特征

矩是概率与统计中的一个概念，是随机变量的一种数字特征。如果把二维灰度图像视为有质量的平板，像素的灰度值p代表平板的密度，那么灰度图像就可以用二维灰度密度函数 p=f(x,y) 来表示。通过计算图像的零阶矩、一阶矩、二阶矩、三阶矩，即可获得被称为不变矩的七个高度浓缩的图像特征。不变矩具有平移、灰度、尺度、旋转不变性。 以下代码给出了计算图像不变矩的函数，基于OpenCV提供的两个函数实现，返回包含七个高度浓缩的图像特征的数组。因为图像不变矩的动态范围过大，默认返回的是不变矩的对数。

import cv2
import numpy as np

def humoments(img_gray, log=True):
    """返回图像7个不变矩"""

    hu = cv2.HuMoments(cv2.moments(img_gray))[:,0]
    if log:
        hu = np.log(np.abs(hu))

    return hu

以下面四个角度的棋子“车”为例，不管角度如何，它们的不变矩具有很强的相关性。

-6.979, -21.904, -29.739, -28.555, -57.703, -39.707, -60.654
-6.945, -21.576, -29.658, -28.057, -57.050, -38.891, -57.633
-6.925, -21.083, -28.879, -27.764, -56.091, -38.464, -58.305
-6.978, -21.966, -29.773, -28.337, -57.442, -39.753, -58.575

3. 采集样本

选择不同角度、光照条件，对棋子拍照，不同照片上的棋子尽可能保持相同的尺寸。使用圆检测技术找到棋子，裁切、高斯模