【opencv学习笔记】031 之矩概念与图像矩详解

快来打我* 2023-07-11 05:41 1阅读 0赞

**目录**

一、前言

二、矩概念详解

1、离散情况

2、连续情况

三、图像的几何矩

1、几何矩的概念

2、图像的p+q阶矩

3、HU矩

1.原点矩

2.中心矩

3.归一化中心矩

4、相关API

1.Moments类

2.moments函数

3.contourArea函数

4.arcLength函数

5、代码展示

6、执行结果

--------------------

# 一、前言 #

图像矩，opencv学习笔记的最后一个内容了。写完这个，学习笔记也就写完了，后续如果有精力，还会再写一些代码实战的，感谢大家的支持。

如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容，可以直接看我的OpenCV分类：

> [【OpenCV系列】：https://blog.csdn.net/shuiyixin/article/category/7581855][OpenCV_https_blog.csdn.net_shuiyixin_article_category_7581855]

如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容，想与更多大佬一起沟通，那就扫描下方二维码加入我们吧！

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_36_color_FF36FF_t_70][]

# 二、矩概念详解 #

矩这个东西，能组成的名词太多了，矩形，就是长方形，矩阵，就是m行n列的二维数组，所以想了解矩，就要从其具体的场景中去理解。

今天我们要讲的图像矩，就是一个新的概念，图像矩就是图像的矩，这个概念来源于数学中的矩，所以我们要先来理解一下，数学中的矩。首先我们先来看一下它的定义和相关概念：

> 在数学和统计学中，矩（moment）是**对变量分布和形态特点的一组度量**。当所有的变量矩的定义是**各点对某一固定点离差幂的平均值**。n阶矩被定义为一**变量的n次方与其概率密度函数（Probability Density Function, PDF）之积的积分**。在文献中n阶矩通常用符号μn表示。
> 
> **直接使用变量计算的矩被称为原始矩（raw moment），移除均值后计算的矩被称为中心矩（central moment）**。

讲完了概念之后，我们从公式来直观的看一下矩到底长啥样。

## 1、离散情况 ##

我们从矩的概念出发，我们先考虑离散情况：

> 假设有一个离散的随机变量X，用A表示一个常数，用k来表示幂（阶数）。那么我们有下面这个公式：
> 
> ![20200304101001666.png][]
> 
> 这个称为X关于点A的k阶矩。
> 
> 如果这个常数A为0，我们把这个k阶矩称之为**k阶原点矩**。
> 
> 如果这个常数A为X的均值E(X)，我们把这个k阶矩称之为**k阶中心矩**。
> 
> **变量的一阶矩是数学期望（expectation），表示分布重心；**
> 
> **变量的二阶矩是方差（variance），表示离散程度；**
> 
> **变量的三阶矩是偏度（skewness），表示分布偏离对称的程度；**
> 
> **变量的四阶矩是峰度（kurtosis），描述分布的尖峰程度，例如正态分布峰态系数=0。**

> 如果我们有两个离散随机变量：X,Y。A1，A2分别代表对应于两个随机变量的常数，用p，q表示幂（阶数），那么我们有下面的公式：
> 
> ![20200304102725263.png][]
> 
> 这个称为X，Y关于点A1，A2的p+q阶矩。
> 
> 如果两个常数都是0，那么我们称之为**p+q阶混合原点矩**。
> 
> 如果两个常数都是对应的均值，即A1=E(X)，A2=E(Y)，那么我们称之为**p+q阶混合中心矩**。

## 2、连续情况 ##

接下来我们考虑连续情况：

> 假设有一个连续的随机变量x，其单变量的概率密度函数为f(x)，用A表示一个常数，用k来表示幂（阶数）。那么我们有下面这个公式：
> 
> ![20200304111012388.png][]
> 
> 这个称为X关于点A的k阶矩。

> 如果我们有两个连续的随机变量：x,y，两个变量的联合概率密度为f(x,y)。A1，A2分别代表对应于两个随机变量的常数，用p，q表示幂（阶数），那么我们有下面的公式：
> 
> ![20200304111023820.png][]
> 
> 这个称为x，y关于点A1，A2的p+q阶矩。

# 三、图像的几何矩 #

## 1、几何矩的概念 ##

了解了矩的概念，我们接下来说一下图像的几何矩。在图像中，矩的概念如下：

> 矩是**描述图像特征的算子**。

这里的图像是单通道，也就是灰度图像，相当于一个矩阵，也就是上面提到的离散的情况。矩阵上每个位置的取值范围是0-255的整数。

## 2、图像的p+q阶矩 ##

图像p+q阶矩的定义公式如下：

![20200304112829939.png][]

当p+q = 0时，为零阶矩：

![20200304112846703.png][]

当p+q = 1时，为一阶矩：

![20200304112857829.png][]

当p+q = 2时，为二阶矩：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_F75FFF_t_70][]

通过上面的结果，我们也可以得到图像的重心坐标和图像的方向，这个时候的固定点为（0,0），所以：

图像的重心坐标为：

![20200304113325280.png][]

物体形状方向为：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_F75FFF_t_70 1][]

## 3、HU矩 ##

在图像矩中有HU矩，这是Hu在1962年提出的，主要有：

> （1）原点矩
> 
> （2）中心矩
> 
> （3）归一化中心矩

### 1.原点矩 ###

原点矩就是固定点的坐标为（0，0）。其公式如下：

![20200304114841705.png][]

### 2.中心矩 ###

中心矩就是以固定点（x0,y0）为中心：

![20200304115019393.png][]

### 3.归一化中心矩 ###

归一化中心矩就是对中心矩做归一化处理：

![20200304115305880.png][]

## 4、相关API ##

### 1.Moments类 ###

在讲API之前，我们先说一下Moments类，它的定义如下：

class CV_EXPORTS_W_MAP Moments
    {
    public:
        //! the default constructor
        Moments();
        //! the full constructor
        Moments(double m00, double m10, double m01, double m20, double m11,
                double m02, double m30, double m21, double m12, double m03 );
    
        //! @name spatial moments
        CV_PROP_RW double  m00, m10, m01, m20, m11, m02, m30, m21, m12, m03;
    
        //! @name central moments
        CV_PROP_RW double  mu20, mu11, mu02, mu30, mu21, mu12, mu03;
    
        //! @name central normalized moments
        CV_PROP_RW double  nu20, nu11, nu02, nu30, nu21, nu12, nu03;
    };

它有两个默认构造函数和三组double类型的数据，

> 第一组数据：**spatial moments（空间矩）**对应的是我们前面讲到的原点矩的零阶矩、一阶矩、二阶矩和三阶矩。
> 
> 第二组数据：**central moments（中心矩）**对应的是我们前面讲到的中心矩的二阶矩和三阶矩。
> 
> 第三组数据：**central normalized moments（归一化中心矩）**对应的是我们前面讲到的归一化中心矩的二阶矩和三阶矩。

### 2.moments函数 ###

Moments moments( 
        InputArray array, 
        bool binaryImage = false 
    );

函数参数含义如下：

> （1）InputArray类型的array，输入的光栅图像（单通道、8位或浮点二维数组）或二维点的数组。
> 
> （2）bool类型的binaryImage，如果为true，则所有非零图像像素都被视为1。该参数仅用于图像。

### 3.contourArea函数 ###

double contourArea( 
        InputArray contour, 
        bool oriented = false 
    );

函数参数含义如下：

> （1）InputArray类型的contour，二维点（轮廓顶点）的输入向量，存储在std：：vector或Mat中。
> 
> （2）bool类型的oriented，面向区域标志。如果为真，则函数将根据轮廓方向（顺时针或逆时针）返回带符号区域值。使用此功能，可以通过获取区域的符号来确定轮廓的方向。默认情况下，参数为false，这意味着返回绝对值。

### 4.arcLength函数 ###

double arcLength( 
        InputArray curve, 
        bool closed 
    );

函数参数含义如下：

> （1）InputArray类型的curve，二维点的输入向量，存储在std：：vector或Mat中。
> 
> （2）bool类型的closed，指示曲线是否闭合的标志。

## 5、代码展示 ##

#include <opencv2/opencv.hpp>
    #include <iostream>
    
    using namespace std;
    using namespace cv;
    
    Mat src, gray_src;
    int threshold_value = 80;
    int threshold_max = 255;
    const char* input_win = "【输入图像】";
    const char* output_win = "【输出图像】";
    const char* trackbar_title = "Threshold:";
    RNG rng(12345);
    
    void Demo_Moments(int, void*);
    int main() {
    	src = imread("E:/image/moments.png");
    	if (!src.data)
    	{
    		cout << "could not load image !";
    		waitKey(0);
    		return -1;
    	}
    	cvtColor(src, gray_src, CV_BGR2GRAY);
    	GaussianBlur(gray_src, gray_src, Size(3, 3), 0, 0);
    
    	namedWindow(input_win, CV_WINDOW_AUTOSIZE);
    	namedWindow(output_win, CV_WINDOW_AUTOSIZE);
    	imshow(input_win, src);
    
    	createTrackbar("Threshold", output_win, &threshold_value, threshold_max, Demo_Moments);
    	Demo_Moments(0, 0);
    
    	waitKey(0);
    	return 0;
    }
    
    void Demo_Moments(int, void*) {
    	Mat canny_output;
    	vector<vector<Point>> contours;
    	vector<Vec4i> hierachy;
    
    	Canny(gray_src, canny_output, threshold_value, threshold_value * 2, 3, false);
    	findContours(canny_output, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
    
    	vector<Moments> contours_moments(contours.size());
    	vector<Point2f> ccs(contours.size());
    	for (size_t i = 0; i < contours.size(); i++) {
    		contours_moments[i] = moments(contours[i]);
    		ccs[i] = Point(static_cast<float>(contours_moments[i].m10 / contours_moments[i].m00), static_cast<float>(contours_moments[i].m01 / contours_moments[i].m00));
    	}
    
    	Mat drawImg;// = Mat::zeros(src.size(), CV_8UC3);
    	src.copyTo(drawImg);
    	for (size_t i = 0; i < contours.size(); i++) {
    		if (contours[i].size() < 100) {
    			continue;
    		}
    		Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
    		printf("center point x : %.2f y : %.2f\n", ccs[i].x, ccs[i].y);
    		printf("contours %d area : %.2f   arc length : %.2f\n", i, contourArea(contours[i]), arcLength(contours[i], true));
    		drawContours(drawImg, contours, i, color, 1, 8, hierachy, 0, Point(0, 0));
    		circle(drawImg, ccs[i], 1, color, 1, 8);
    	}
    
    	imshow(output_win, drawImg);
    }

## 6、执行结果 ##

center point x : 451.00 y : 295.00
    contours 2 area : 6493.00   arc length : 307.08
    center point x : 451.00 y : 295.00
    contours 3 area : 6451.00   arc length : 304.74
    center point x : 296.00 y : 296.00
    contours 4 area : 7234.00   arc length : 318.39
    center point x : 296.00 y : 296.00
    contours 5 area : 7188.00   arc length : 316.05
    center point x : 296.00 y : 296.00
    contours 6 area : 5812.00   arc length : 285.42
    center point x : 296.00 y : 296.00
    contours 7 area : 5770.00   arc length : 283.08
    center point x : 495.00 y : 196.00
    contours 8 area : 7537.00   arc length : 326.39
    center point x : 495.00 y : 196.00
    contours 9 area : 7496.00   arc length : 324.05
    center point x : 495.00 y : 196.00
    contours 10 area : 6079.00   arc length : 293.42
    center point x : 495.00 y : 196.00
    contours 11 area : 6045.00   arc length : 291.08
    center point x : 140.00 y : 158.00
    contours 12 area : 9359.00   arc length : 367.36
    center point x : 140.00 y : 158.00
    contours 13 area : 9313.00   arc length : 365.02
    center point x : 344.00 y : 128.00
    contours 14 area : 5525.00   arc length : 306.45
    center point x : 344.00 y : 127.00
    contours 15 area : 5493.00   arc length : 304.11
    center point x : 247.00 y : 90.00
    contours 16 area : 6527.00   arc length : 317.28
    center point x : 247.00 y : 90.00
    contours 17 area : 6525.00   arc length : 314.94
    center point x : 247.00 y : 90.00
    contours 18 area : 5125.00   arc length : 281.97
    center point x : 247.00 y : 90.00
    contours 19 area : 5119.00   arc length : 279.62

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFFF75_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F75FFF_t_70][]

大家也可以自己尝试一下呀，一定要多做练习！

[OpenCV_https_blog.csdn.net_shuiyixin_article_category_7581855]: https://blog.csdn.net/shuiyixin/article/category/7581855
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_36_color_FF36FF_t_70]: https://img-blog.csdnimg.cn/20190419195045739.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg==,size_36,color_FF36FF,t_70
[20200304101001666.png]: https://img-blog.csdnimg.cn/20200304101001666.png
[20200304102725263.png]: https://img-blog.csdnimg.cn/20200304102725263.png
[20200304111012388.png]: https://img-blog.csdnimg.cn/20200304111012388.png
[20200304111023820.png]: https://img-blog.csdnimg.cn/20200304111023820.png
[20200304112829939.png]: https://img-blog.csdnimg.cn/20200304112829939.png
[20200304112846703.png]: https://img-blog.csdnimg.cn/20200304112846703.png
[20200304112857829.png]: https://img-blog.csdnimg.cn/20200304112857829.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_F75FFF_t_70]: https://img-blog.csdnimg.cn/2020030411301783.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg==,size_26,color_F75FFF,t_70
[20200304113325280.png]: https://img-blog.csdnimg.cn/20200304113325280.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_26_color_F75FFF_t_70 1]: https://img-blog.csdnimg.cn/20200304113915571.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg==,size_26,color_F75FFF,t_70
[20200304114841705.png]: https://img-blog.csdnimg.cn/20200304114841705.png
[20200304115019393.png]: https://img-blog.csdnimg.cn/20200304115019393.png
[20200304115305880.png]: https://img-blog.csdnimg.cn/20200304115305880.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFFF75_t_70]: https://img-blog.csdnimg.cn/20200304122739918.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg==,size_46,color_FFFF75,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F75FFF_t_70]: https://img-blog.csdnimg.cn/20200304123013247.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg==,size_46,color_F75FFF,t_70