【OpenCV学习笔记】之图像轮廓特征与图像的矩

转载： https://blog.csdn.net/zhu_hongji/article/details/81699736

一、图像的轮廓(Contours of Image)

       轮廓可以说是一个很好的图像目标的外部特征，这种特征对于我们进行图像分析，目标识别和理解等更深层次的处理都有很重要的意义。那么，怎么取提取轮廓呢？

轮廓提取的基本原理：

        （针对二值化的轮廓提取是这样的）对于一幅背景为白色、目标为黑色的二值图像，如果在图中找到一个黑色点，且它的8邻域（或4邻域）也均为黑色，则说明该点是目标的内部点，将其置为白色，视觉上就像内部被掏空一样；否则保持黑色不变，该点是目标的边界点。

这里顺带提下边缘检测，和轮廓提取的区别：

边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈（即梯度变化比较大）像素点，偏向于图像中像素点的变化。如canny边缘检测，结果通常保存在和源图片一样尺寸和类型的边缘图中。 
轮廓检测指检测图像中的对象边界，更偏向于关注上层语义对象。如OpenCV中的findContours()函数， 它会得到每一个轮廓并以点向量方式存储，除此也得到一个图像的拓扑信息，即一个轮廓的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的索引编号。 

1.1 发现与绘制轮廓

      在OpenCV里面利用findContours()函数和drawContours()函数实现这一功能。

API介绍：
 

C++：void findContours(InputOutputArray  image,
                       OutputArrayOfArrays  contours,
                       OutputArray  hierarchy,
                            int  mode,
                            int  method,
                            Point  offset = Point() 
                        )   

参数详解：

参数一： image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；

参数二： contours是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。有多少轮廓，向量contours就有多少元素。

参数三： hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为 默认值-1。

参数四： int型的mode，定义轮廓的检索模式：

模式一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略

模式二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，

模式三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层

模式四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。

参数五： int型的method，定义轮廓的近似方法：

方式一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内

方式二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours 向量内，拐点与拐点之间直线段上的信息点不予保留

方式三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

参数六： Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓 点上加上该偏移量，并且Point还可以是负值

drawContours(
		//InputOutputArray  binImg, // 输出图像
		//OutputArrayOfArrays  contours,//  全部发现的轮廓对象
		//Int contourIdx// 轮廓索引号
		//const Scalar & color,// 绘制时候颜色
		//int  thickness,// 绘制线宽
		//int  lineType,// 线的类型LINE_8
		//InputArray hierarchy,// 拓扑结构图
		//int maxlevel,// 最大层数， 0只绘制当前的，1表示绘制绘制当前及其内嵌的轮廓
		//Point offset = Point()// 轮廓位移，可选
)

示例程序

//轮廓发现（find contour）
//轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法。所以边缘提取的阈值选定会影响最终轮廓发现结果
//步骤：输入图像转为灰度图像cvtColor
      //使用Canny进行边缘提取，得到二值图像
      //使用findContours寻找轮廓
      //使用drawContours绘制轮廓
 
#include"stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
 
using namespace std;
using namespace cv;
 
Mat src, dst;
char input[] = "gray image";
int threshold_value = 100;
int threshold_max = 255;
void find_contour_demo(int, void*);
int main(int argc, char*argv)
{
	src = imread("C:\\Users\\59235\\Desktop\\imag\\mixed_03.png");
	if (!src.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	namedWindow(input, CV_WINDOW_AUTOSIZE);
	namedWindow("result", CV_WINDOW_AUTOSIZE);
	//输入图像转为灰度图像
	cvtColor(src, src, CV_BGR2GRAY);
	imshow(input, src);
 
	const char*thresh = "threshold value";
	createTrackbar(thresh, input, &threshold_value, threshold_max, find_contour_demo);
	find_contour_demo(0, 0);
 
	waitKey(0);
	return 0;
}
 
void find_contour_demo(int, void*)
{
	//使用Canny进行边缘提取，得到二值图像
	Canny(src, dst, threshold_value, threshold_value * 2, 3, false);
	imshow("canny detection", dst);
 
	//使用findContours寻找轮廓
	vector<vector<Point>> contours;
	vector<Vec4i> hierachy;
	findContours(dst, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
	//findContours(
	//InputOutputArray  binImg, // 输入图像，非0的像素被看成1,0的像素值保持不变，8-bit
	//OutputArrayOfArrays  contours,//  全部发现的轮廓对象
	//OutputArray, hierachy// 图该的拓扑结构，可选，该轮廓发现算法正是基于图像拓扑结构实现。
	//int mode, //  轮廓返回的模式
	//int method,// 发现方法
	//Point offset = Point()//  轮廓像素的位移，默认（0, 0）没有位移)
 
	//使用drawContours绘制轮廓
	Mat drawImage = Mat::zeros(src.size(), CV_8UC3);
	RNG rng(12345);
	for (int i = 0; i < contours.size(); i++)
	{
		Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
		drawContours(drawImage, contours, i, color, 2, LINE_AA, hierachy, 0, Point(0, 0));
		//drawContours(
		//InputOutputArray  binImg, // 输出图像
		//OutputArrayOfArrays  contours,//  全部发现的轮廓对象
		//Int contourIdx// 轮廓索引号
		//const Scalar & color,// 绘制时候颜色
		//int  thickness,// 绘制线宽
		//int  lineType,// 线的类型LINE_8
		//InputArray hierarchy,// 拓扑结构图
		//int maxlevel,// 最大层数， 0只绘制当前的，1表示绘制绘制当前及其内嵌的轮廓
		//Point offset = Point()// 轮廓位移，可选
	}
 
	imshow("result", drawImage);
	return;
}

效果图：                        (灰度图)                                                                                                              

（canny边缘检测图）

                                                                    （绘制轮廓图）

总结：

OpenCV提取轮廓之后，还可以进行许多操作：

ArcLength() 计算轮廓长度 
ContourArea() 计算轮廓区域的面积 
BoundingRect() 轮廓的外包矩形 
ConvexHull() 提取轮廓的凸包 
IsContourConvex() 测试轮廓的凸性 
MinAreaRect() 轮廓的最小外包矩形 
MinEnclosingCircle() 轮廓的最小外包圆
fitEllipse()用椭圆拟合二维点集
approxPolyDP()逼近多边形曲线
 

二、图像的矩（Image Moments）

矩的概念介绍

       矩函数在图像分析中有着广泛的应用，如模式识别、目标分类、目标识别与方位估计、图像的编码与重构等。从一幅图像计算出来的矩集，不仅可以描述图像形状的全局特征，而且可以提供大量关于该图像不同的几何特征信息，如大小，位置、方向和形状等。图像矩这种描述能力广泛应用于各种图像处理、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：关于平均值的对称性测量；由二阶矩和三阶矩可以导出7个不变矩。而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、在图像识别领域得到广泛的应用。

1 、空间矩/几何矩

空间矩的实质为面积或者质量。可以通过一阶矩计算质心/重心。

                                                                

                                                                重心（中心centers）：

2、中心矩

        中心矩体现的是图像强度的最大和最小方向（中心矩可以构建图像的协方差矩阵），其只具有平移不变性，所以用中心矩做匹配效果不会很好。

                                                                  

3、归一化的中心矩

      归一化后具有尺度不变性。

                                                                   

4、Hu矩

Hu矩由于具有尺度、旋转、平移不变性，可以用来做匹配。

 cv::moments 计算生成数据：

//图像矩：（Image Moments）
//步骤：提取图像边缘
//发现轮廓
//计算每个轮廓对象的矩
//计算每个对象的中心、弧长、面积
 
#include"stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
 
using namespace cv;
using namespace std;
 
Mat src, dst, drawImage;
const char*result = "moments_demo";
int threshold_value = 120;
int threshold_max = 255;
RNG rng(12345);
void Moments_demo(int, void*);
int main(int argc, char*argv)
{
	src = imread("C:\\Users\\59235\\Desktop\\imag\\mixed_01.png");
	if (!src.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	char input[] = "gray image";
	namedWindow(input, CV_WINDOW_AUTOSIZE);
	namedWindow(result, CV_WINDOW_AUTOSIZE);
	//输入图像转为灰度图像
	cvtColor(src, dst, CV_BGR2GRAY);
	GaussianBlur(dst, dst, Size(3, 3), 0, 0);
	imshow(input, dst);
 
	const char*thresh = "threshold value";
	createTrackbar(thresh, result, &threshold_value, threshold_max, Moments_demo);
	Moments_demo(0, 0);
 
	waitKey(0);
	return 0;
}
 
void Moments_demo(int, void*)
{
	//提取图像边缘
	Mat canny_out;
	Canny(dst, canny_out, threshold_value, threshold_value * 2, 3, false);
	//imshow("canny image", canny_out);
 
	//发现轮廓，找到图像轮廓
	vector<vector<Point>> contours;
	vector<Vec4i> hierachy;
	findContours(canny_out, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
 
	//计算每个轮廓对象的矩
	vector<	Moments> contours_moments(contours.size());
	vector<Point2f> centers(contours.size());
	for (size_t i = 0; i < contours.size(); i++)
	{
		//计算矩
		contours_moments[i] = moments(contours[i]);
		//moments(InputArray  array,//输入数据
		//bool   binaryImage = false // 是否为二值图像
		centers[i] = Point(static_cast<float>(contours_moments[i].m10 / contours_moments[i].m00), static_cast<float>(contours_moments[i].m01 / contours_moments[i].m00));
		//图像中心Center(x0, y0)=(m10/m00,m01/m00)
	}
 
	src.copyTo(drawImage);
	for (size_t i = 0; i < contours.size(); i++)
	{
		printf("centers point x：%.2f,y：%.2f\n", centers[i].x, centers[i].y);
		printf("contours %d Area：%.2f Arc length：%.2f \n", i, contourArea(contours[i]), arcLength(contours[i], true));
		//contourArea(InputArray  contour,//输入轮廓数据
		//bool   oriented// 默认false、返回绝对值)
		//arcLength(InputArray  curve,//输入曲线数据
		//bool   closed// 是否是封闭曲线)
 
		//考虑如何把数据显示在原图像上
		//double A;
		//A=contourArea(contours[i]);
		//ostringstream os;
		//os << A;
		//putText(drawImage,os.str,centers[i], CV_FONT_BLACK, 2.0, Scalar(0,0,255), 2, 8);
		//依次含义：原图，输入字的内容，起始位置，字体，字的大小，颜色，线条大小粗 细，连接域
 
		Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
		drawContours(drawImage, contours, i, color, 2, LINE_AA, hierachy, 0, Point(0, 0));//绘制轮廓
		circle(drawImage, centers[i], 2, color, 2, LINE_AA);//绘制图形中心
	}
	imshow(result, drawImage);
	return;
}

效果图：