【youcans 的 OpenCV 例程200篇】233. 区域特征之矩不变量

4.4 区域特征之矩不变量

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。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、图像编码与重构等。

把图像的像素坐标视为二维随机变量 (X,Y)，就可以用矩来描述灰度图像的特征。

图像矩是对特征进行参数描述的一种算法，通常描述了图像形状的全局特征，并提供了大量的关于该图像不同类型的几何特性信息，比如大小、位置、方向及形状等。

当图像发生平移时，几何距 $m_{pq}$ 也会发生变化；中心矩 $mu_{pq}$ 具有平移不变性，但在图像旋转时会发生变化；归一化中心距不仅具有平移不变性，而且具有比例不变性（尺度不变性）。

Hu 利用二阶和三阶归一化中心距构造了 7 个不变矩 M1~M7，在连续图像下具有平移、灰度、尺度、旋转不变性，是高度浓缩的图像特征。不变矩能够描述图像的整体性质，从而在边缘提取、图像匹配及目标识别中得到了广泛的应用。

OpenCV 提供了函数 cv2.moments() 计算图像矩 Mu，函数 cv2.HuMoments() 计算目标轮廓的 Hu 不变矩。

函数说明：

cv.moments(array[, binaryImage]) → Mu
cv.HuMoments(Mu[, hu]) → Hu

函数 cv2.moments() 以字典（Dict）形式返回图像的矩。

函数 cv2.HuMoments() 以列表（List）形式返回目标轮廓的 Hu 不变矩。

参数说明：

array：是一幅单通道 8-bits 图像，或一个二维浮点数组（如轮廓列表 contours 中的一个轮廓）

binaryImage：指示输入图像是否二值图像

返回值 Mu 是字典格式，包括 24个键值对。

返回值 Hu 是一个列表（List），包括 7 个不变矩 M1~M7，浮点数。

具体定义和计算公式为：
$M1=nu20+nu02M2=(nu20−nu02)2+4(nu11)2M3=(nu30−3nu12)2+(3nu21−nu03)2M4=(nu30+nu12)2+(nu21+nu03)2M5=(nu30−3nu12)(nu30+nu12)[(nu30+nu12)2−3(nu21+nu03)2]+(3nu21−nu03)(nu21+nu03)[3(nu30+nu12)2−(nu21+nu03)2]M6=(nu20−nu02)[(nu30+nu12)2−(nu21+nu03)2]+4nu11(nu30+nu12)(nu21+nu03)M7=(3nu21−nu03)(nu30+nu12)[(nu30+nu12)2−3(nu21+nu03)2]−(nu30−3nu12)(nu21+nu03)[3(nu30+nu12)2−(nu21+nu03)2]\begin{aligned} M1 = & nu_{20} + nu_{02}\\ M2 = & (nu_{20} - nu_{02})^2 + 4(nu_{11})^2\\ M3 = & (nu_{30} - 3nu_{12})^2 + (3nu_{21} - nu_{03})^2 \\ M4 = & (nu_{30} + nu_{12})^2 + (nu_{21} + nu_{03})^2\\ M5 = & (nu_{30}-3nu_{12})(nu_{30}+nu_{12})[(nu_{30}+nu_{12})^{2} -3(nu_{21}+nu_{03})^2]\\ + & (3nu_{21}-nu_{03})(nu_{21}+nu_{03})[3(nu_{30}+nu_{12})^2-(nu_{21}+nu_{03})^2]\\ M6 = & (nu_{20} - nu_{02}) [(nu_{30}+nu_{12})^2-(nu_{21}+nu_{03})^2]\\ + &4nu_{11}(nu_{30} + nu_{12})(nu_{21} + nu_{03})\\ M7 = & (3nu_{21}-nu_{03})(nu_{30} + nu_{12})[(nu_{30}+nu_{12})^2-3(nu_{21}+nu_{03})^2]\\ - & (nu_{30}-3nu_{12})(nu_{21}+nu_{03})[3(nu_{30}+nu_{12})^2-(nu_{21}+nu_{03})^2]\\ \end{aligned}$

不变矩 M1~M7 又称矩不变量，在连续图像下具有平移、灰度、尺度、旋转不变性，是高度浓缩的图像特征。

例程 14.14：区域特征之不变矩

    # # 14.14 特征描述之不变矩gray = cv2.imread("../images/Fig1137.tif", flags=0)  # 灰度图像height, width = gray.shape  # (568, 568)# 图像的平移，缩放，旋转和镜像grayList = []grayList.append(gray)  # [0]，原始图像mat = np.float32([[1, 0, 50], [0, 1, 50]])grayList.append(cv2.warpAffine(gray, mat, (height, width)))  # [1]，图像平移top, bottom, left, right = height//4, height//4, width//4, width//4grayResize = cv2.resize(gray, (width//2, height//2))  # 图像缩放 (284, 284)replicate = cv2.copyMakeBorder(grayResize, top, bottom, left, right, cv2.BORDER_CONSTANT, value=0)grayList.append(replicate)  # [2]，图像缩放并填充至原来尺寸 (568, 568)grayList.append(cv2.flip(gray, 1))  # [3]，图像镜像，水平翻转mar = cv2.getRotationMatrix2D((width//2, height//2), angle=45, scale=1)  # 图像中心作为旋转中心rotate = cv2.warpAffine(gray, mar, (height, width))  # 旋转变换，默认为黑色填充grayList.append(rotate)  # [4]，图像旋转 45度grayList.append(cv2.rotate(gray, cv2.ROTATE_90_COUNTERCLOCKWISE))  # [5]，图像逆时针旋转90度print(gray.shape, grayResize.shape, replicate.shape, rotate.shape,len(grayList))plt.figure(figsize=(9, 6))for i in range(len(grayList)):moments = cv2.moments(grayList[i])  # 返回几何矩 mpq, 中心矩 mupq 和归一化矩 nupqhuM = cv2.HuMoments(moments)  # 计算 Hu 不变矩plt.subplot(2,3,i+1), plt.axis('off'), plt.imshow(grayList[i], 'gray')# print("Moments of gray:\n", moments)print("HuMoments of gray:\n", np.log10(np.abs(huM.T)).round(4))plt.show()

在这里插入图片描述

运行结果：

[[ -2.8662 -7.1265 -10.4109 -10.3742 -21.3674 -13.9417 -20.7809]]
[[ -2.8662 -7.1265 -10.4109 -10.3742 -21.3674 -13.9417 -20.7809]]
[[ -2.8666 -7.1285 -10.4137 -10.3769 -21.3734 -13.9453 -20.7863]]
[[ -2.8662 -7.1265 -10.4109 -10.3742 -21.3674 -13.9417 -20.7809]]
[[ -2.8662 -7.1266 -10.4106 -10.3743 -21.3693 -13.9418 -20.7808]]
[[ -2.8662 -7.1265 -10.4109 -10.3742 -21.3674 -13.9417 -20.7809]]

运行结果表明，矩不变量 M1~M7 具有平移、灰度、尺度、旋转不变性，是高度浓缩的图像特征。

【本节完】