【OpenCV学习笔记】之图像轮廓特征与图像的矩

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：