图像中矩的概念

数学中矩的概念：

图像中的矩：



统计中矩的定义是各点对某一固定点A离差幂的平均值。如果A=0，则是原点矩，A=均值，则是中心距。K是阶数。
统计中引入矩是为了描述随机变量分布的形态。

数学期望是一阶原点矩（表示分布重心）

方差是二阶中心距（表示离散程度）

偏态是三阶中心矩（表示分布偏离对称的程度）

峰态是四阶中心距（描述分布的尖峰程度，例如正态分布峰态系数=0）

图像的矩通常描述了该图像形状的全局特征，并被广泛的应用在各种图像处理、计算机视觉和机器人技术领域的目标识别与方位估计中。一阶矩与形状有关，二阶矩显示曲线围绕直线平均值的扩展程度，三阶矩则是关于平均值的对称性的测量。不变矩是图像的统计特性，满足平移、伸缩、旋转均不变的不变性。

如果把图像看成是一块质量密度不均匀的薄板，其图像的灰度分布函数f(x,y)就是薄板的密度分布函数，则其各阶矩有着不同的含义，如零阶矩表示它的总质量；一阶矩表示它的质心；二阶矩又叫惯性矩，表示图像的大小和方向。事实上，如果仅考虑阶次为2的矩集，则原始图像等同于一个具有确定的大小、方向和离心率，以图像质心为中心且具有恒定辐射率的椭圆。

由三阶矩以下矩构成的七个矩不变量具有平移、旋转和尺度不变性等等。当密度分布函数发生改变时，图像的实质没有改变，仍然可以看做一个薄板，只是密度分布有所改变。虽然此时各阶矩的值可能发生变化，但由各阶矩计算出的不变矩仍具有平移、旋转和尺度不变性。通过这个思想，可对图像进行简化处理，保留最能反映目标特性的信息，再用简化后的图像计算不变矩特征，可减少计算量。

研究表明，只有基于二阶矩的不变矩对二维物体的描述才是真正的与旋转、平移和尺度无关的。较高阶的矩对于成像过程中的误差，微小的变形等因素非常敏感，所以相应的不变矩基本上不能用于有效的物体识别。即使是基于二阶矩的不变矩也只能用来识别外形相差特别大的物理，否则他们的不变矩会因为很相似而不能识别。

转自博客：http://blog.csdn.net/gdfsg/article/details/51015066

算出来的方向是以x轴正方向为00，第四象限为0 ~ π/2，第三象限为π/2 ~ π 的范围内。