网站前端开发流程,制作app需要先做网站,吉利网站建设,怎么增加网站的关键词库矩特征#xff08;Moments Features#xff09;是用于图像分析和模式识别的一种特征表示方法#xff0c;用来描述图像的形状、几何特征和统计信息。矩特征可以用于识别图像中的对象、检测形状以及进行图像分类等任务。 矩特征通过计算图像像素的高阶矩来提取特征。这些矩可以… 矩特征Moments Features是用于图像分析和模式识别的一种特征表示方法用来描述图像的形状、几何特征和统计信息。矩特征可以用于识别图像中的对象、检测形状以及进行图像分类等任务。 矩特征通过计算图像像素的高阶矩来提取特征。这些矩可以表示图像的中心、尺度、旋转和形状等属性。以下是一些常见的图像矩特征 零阶矩Zeroth-Order Moments描述图像的总体亮度或面积通常表示为图像的像素数。 一阶矩First-Order Moments描述图像的质心、平均位置和分布。它们用于计算图像的中心位置。 中心矩Central Moments描述图像区域相对于质心的分布。中心矩能够捕获图像的旋转和平移特性。 标准化矩Normalized Moments将矩标准化以获得尺度和旋转不变性。标准化矩可以用于匹配和识别。 **Hu不变矩Hu Moments**基于七个基本矩构建具有旋转、平移和尺度不变性。Hu不变矩用于图像匹配和模式识别。
什么是图像的质心 图像的质心Centroid是一个表示图像几何中心的概念。在二维平面上图像的质心是指图像中所有像素的平均位置即图像的重心或几何中心。 对于二值图像黑白图像质心可以通过以下方式计算 将图像中的每个像素视为一个点其坐标为 (x, y)。 对于每个像素点计算其 x 坐标的总和和 y 坐标的总和。 用总和除以图像中像素的总数得到 x 和 y 坐标的平均值即为质心的坐标。 质心的坐标表示图像在水平和垂直方向上的平均位置。在实际应用中质心通常被用于描述图像的位置信息例如目标的位置、形状的中心等。对于多通道彩色图像可以分别计算每个通道的质心。 矩特征应用场景
矩特征在图像处理和模式识别领域有许多应用场景可以用于描述图像的形状、几何属性和分布情况。以下是一些常见的矩特征应用场景 物体识别和分类矩特征可以用于提取图像中物体的形状和几何特征从而进行物体的识别和分类。通过比较矩特征可以判断物体是否属于某个类别。 目标检测在计算机视觉中目标检测是指在图像中找到特定物体的位置。矩特征可以用于检测物体的形状和轮廓从而帮助确定物体的位置。 图像匹配矩特征可以用于图像的匹配和对准通过比较两幅图像的矩特征可以找到它们之间的相似性和变换关系。 图像压缩和编码矩特征可以用于图像的压缩和编码通过提取图像的主要几何信息可以减少图像数据的存储空间。 图像分割图像分割是将图像分成不同的区域矩特征可以用于描述不同区域的形状和几何属性从而帮助分割图像。 医学图像分析在医学领域矩特征可以用于分析医学图像中的组织、器官和病变从而提取形状和几何特征。 指纹识别矩特征可以用于指纹识别通过提取指纹图像的几何特征实现指纹的识别和比对。 遥感图像分析在遥感图像中矩特征可以用于提取地物的形状和分布从而实现土地利用、环境监测等应用。
矩的计算moments函数
OpenCV 提供了函数 cv2.moments()来获取图像的 moments 特征。通常情况下我们将使用函数 cv2.moments()获取的轮廓特征称为“轮廓矩”。轮廓矩描述了一个轮廓的重要特征使用轮廓矩可以方便地比较两个轮廓。
函数 cv2.moments()的语法格式为 retval cv2.moments( array[, binaryImage] ) array可以是点集也可以是灰度图像或者二值图像。当 array 是点集时函数会把这些点集当成轮廓中的顶点把整个点集作为一条轮廓而不是把它们当成独立的点来看待。binaryImage该参数为 True 时array 内所有的非零值都被处理为 1。该参数仅在参数array 为图像时有效。
该函数的返回值 retval 是矩特征主要包括
1空间矩
零阶矩m00一阶矩m10, m01二阶矩m20, m11, m02三阶矩m30, m21, m12, m03 2中心矩二阶中心矩mu20, mu11, mu02三阶中心矩mu30, mu21, mu12, mu03 3归一化中心矩二阶 Hu 矩nu20, nu11, nu02三阶 Hu 矩nu30, nu21, nu12, nu03
上述矩都是根据公式计算得到的大多数矩比较抽象。但是很明显如果两个轮廓的矩一致那么这两个轮廓就是一致的。虽然大多数矩都是通过数学公式计算得到的抽象特征但是 零阶矩“m00”的含义比较直观它表示一个轮廓的面积。
矩特征函数 cv2.moments()所返回的特征值能够用来比较两个轮廓是否相似。例如有两个轮廓不管它们出现在图像的哪个位置我们都可以通过函数 cv2.moments()的 m00 矩判断其面积是否一致。
在位置发生变化时虽然轮廓的面积、周长等特征不变但是更高阶的特征会随着位置的变化而发生变化。在很多情况下我们希望比较不同位置的两个对象的一致性。解决这一问题的方法是引入中心矩。中心矩通过减去均值而获取平移不变性因而能够比较不同位置的两个对象是否一致。很明显中心矩具有的平移不变性使它能够忽略两个对象的位置关系帮助我们比较不同位置上两个对象的一致性。
除了考虑平移不变性外我们还会考虑经过缩放后大小不一致的对象的一致性。也就是说我们希望图像在缩放前后能够拥有一个稳定的特征值。也就是说让图像在缩放前后具有同样的特征值。显然中心矩不具有这个属性。例如两个形状一致、大小不一的对象其中心矩是有差异的。
归一化中心矩通过除以物体总尺寸而获得缩放不变性。它通过上述计算提取对象的归一化中心矩属性值该属性值不仅具有平移不变性还具有缩放不变性。
在 OpenCV 中函数 cv2.moments()会同时计算上述空间矩、中心矩和归一化中心距。
示例使用函数 cv2.moments()提取一幅图像的特征。
代码如下 import cv2
import numpy as np
o cv2.imread(moments.bmp)
cv2.imshow(original,o)
gray cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours, hierarchy cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
nlen(contours)
contoursImg[]
for i in range(n):tempnp.zeros(o.shape,np.uint8)contoursImg.append(temp)contoursImg[i]cv2.drawContours(contoursImg[i],contours,i,255,3)cv2.imshow(contours[ str(i)],contoursImg[i])
print(观察各个轮廓的矩moments:)
for i in range(n):print(轮廓str(i)的矩:\n,cv2.moments(contours[i]))
print(观察各个轮廓的面积:)
for i in range(n):print(轮廓str(i)的面积:%d %cv2.moments(contours[i])[m00])
cv2.waitKey()
cv2.destroyAllWindows()
本例中首先使用函数 cv2.moments()提取各个轮廓的特征接下来通过语句 cv2.moments(contours[i])[‘m00’])提取各个轮廓矩的面积信息。
运行结果如下
观察各个轮廓的矩moments:
轮廓0的矩:{m00: 14900.0, m10: 1996600.0, m01: 7800150.0, m20: 279961066.6666666, m11: 1045220100.0, m02: 4110944766.6666665, m30: 40842449600.0, m21: 146559618400.0, m12: 550866598733.3334, m03: 2180941440375.0, mu20: 12416666.666666627, mu11: 0.0, mu02: 27566241.666666508, mu30: 1.52587890625e-05, mu21: 2.09808349609375e-05, mu12: 6.198883056640625e-05, mu03: 0.000244140625, nu20: 0.05592841163310942, nu11: 0.0, nu02: 0.12416666666666591, nu30: 5.630596400372416e-16, nu21: 7.742070050512072e-16, nu12: 2.2874297876512943e-15, nu03: 9.008954240595866e-15}
轮廓1的矩:{m00: 34314.0, m10: 13313832.0, m01: 9728019.0, m20: 5356106574.0, m11: 3774471372.0, m02: 2808475082.0, m30: 2225873002920.0, m21: 1518456213729.0, m12: 1089688331816.0, m03: 824882507095.5, mu20: 190339758.0, mu11: 0.0, mu02: 50581695.5, mu30: 0.0, mu21: 0.0, mu12: 0.0, mu03: 0.0, nu20: 0.16165413533834588, nu11: 0.0, nu02: 0.042958656330749356, nu30: 0.0, nu21: 0.0, nu12: 0.0, nu03: 0.0}
轮廓2的矩:{m00: 3900.0, m10: 2696850.0, m01: 273000.0, m20: 1866699900.0, m11: 188779500.0, m02: 19988800.0, m30: 1293351277725.0, m21: 130668993000.0, m12: 13822255200.0, m03: 1522248000.0, mu20: 1828125.0, mu11: 0.0, mu02: 878800.0, mu30: 0.0, mu21: 0.0, mu12: 0.0, mu03: 0.0, nu20: 0.1201923076923077, nu11: 0.0, nu02: 0.05777777777777778, nu30: 0.0, nu21: 0.0, nu12: 0.0, nu03: 0.0}
观察各个轮廓的面积:
轮廓0的面积:14900
轮廓1的面积:34314
轮廓2的面积:3900计算轮廓的面积contourArea函数
opencv 中也有单独计算轮廓面积的函数 contourArea函数
函数 cv2.contourArea()用于计算轮廓的面积。该函数的语法格式为 retval cv2.contourArea(contour [, oriented] )) 式中的返回值 retval 是面积值。
式中有两个参数
contour 是轮廓。oriented 是布尔型值。当它为 True 时返回的值包含正/负号用来表示轮廓是顺时针还是逆时针的。该参数的默认值是 False表示返回的 retval 是一个绝对值。
代码示例使用函数 cv2.contourArea()计算各个轮廓的面积。 import cv2
import numpy as np
o cv2.imread(moments.bmp)
gray cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours, hierarchy cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow(original,o)
nlen(contours)
contoursImg[]
for i in range(n):print(moments[str(i)]面积,cv2.contourArea(contours[i]))tempnp.zeros(o.shape,np.uint8)contoursImg.append(temp)contoursImg[i]cv2.drawContours(contoursImg[i],contours,i,(255,255,255),3)cv2.imshow(moments[ str(i)],contoursImg[i])
cv2.waitKey()
cv2.destroyAllWindows()运行结果
moments[0]面积 14900.0
moments[1]面积 34314.0
moments[2]面积 3900.0可以看到跟上面m00 拿到的是一样的图显也一样
代码示例在上面的基础上将面积大于 15 000 的轮廓筛选出来。
代码如下
import cv2
import numpy as np
o cv2.imread(moments.bmp)
gray cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours, hierarchy cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow(original,o)
nlen(contours)
contoursImg[]
for i in range(n):tempnp.zeros(o.shape,np.uint8)contoursImg.append(temp)contoursImg[i]cv2.drawContours(contoursImg[i],contours,i,(255,255,255),3)if cv2.contourArea(contours[i]) 15000:print(moments[ str(i) ]面积, cv2.contourArea(contours[i]))cv2.imshow(moments[ str(i)],contoursImg[i])
cv2.waitKey()
cv2.destroyAllWindows()通过语句“if cv2.contourArea(contours[i])15000:”实现对面积值的筛选然后对面积值大于 15 000 的轮廓使用语句“cv2.imshow(“contours[” str(i)“]”,contoursImg[i])”显示出来。
运行结果
moments[1]面积 34314.0计算轮廓的长度周长arcLength函数
函数 cv2.arcLength()用于计算轮廓的长度其语法格式为 retval cv2.arcLength( curve, closed ) 式中返回值 retval 是轮廓的长度周长。
上式中有两个参数
curve 是轮廓。closed 是布尔型值用来表示轮廓是否是封闭的。该值为 True 时表示轮廓是封闭的
示例将一幅图像内长度大于平均值的轮廓显示出来。
import cv2
import numpy as np
#--------------读取及显示原始图像--------------------
o cv2.imread(moments.bmp)#--------------获取轮廓--------------------
gray cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours, hierarchy cv2.findContours(binary,cv2.RETR_LIST,
cv2.CHAIN_APPROX_SIMPLE)
#--------------计算各轮廓的长度之和、平均长度--------------------
nlen(contours) # 获取轮廓的个数
cntLen[] # 存储各轮廓的长度
for i in range(n):cntLen.append(cv2.arcLength(contours[i],True))print(第str(i)个轮廓的长度:%d%cntLen[i])
cntLenSumnp.sum(cntLen) # 各轮廓的长度之和
cntLenAvrcntLenSum/n # 轮廓长度的平均值
print(轮廓的总长度为%d%cntLenSum)
print(轮廓的平均长度为%d%cntLenAvr)运行结果
第0个轮廓的长度:498
第1个轮廓的长度:782
第2个轮廓的长度:254
轮廓的总长度为1534
轮廓的平均长度为511代码示例原图
