OpenCV : 图像轮廓的矩 Image Moments

矩特征(Moments Features) :

　　矩特征是图像分析和模式识别的一种特征表示方法，用于描述图像的形状、几何特征和统计信息。可用于识别图像中的对象、检测形状及进行图像分类等。

常见的矩特征：

1. 零阶矩(Zeroth-Order Moments)：用于描述图像的总体亮度或面积。

2. 一阶矩(First-Order Moments)：描述图像的质心、平均位置和分布，通常用于计算图像的中心位置。

3. 中心距(Central Moments)：描述图像区域想读与质心的分布，中心距能够捕获图像的旋转和平移特性。

4. 标准化矩(Normalized Moments)：将矩标准化以获得尺度和旋转不变性，标准化矩可用于图像匹配和模式识别。

5. Hu不变矩(Hu Moments)：基于基本矩构建，具有旋转、平移和尺度不变性，可用于图像匹配和模式识别。

图像的质心就是图像全部像素的平均位置，也是图像的重心和几何中心。

 

OpenCV 图像矩的计算 :

OpenCV使用moments函数来获取图像的矩特征

 

moments_dict = cv2.moments(array, binaryImage)
- array : 输入的轮廓点集，也可以是火毒图像或二值图像
- binaryImage : 该参数为True时，array内所有非零值被设为1，仅在输入array为图像时有效

 

函数的返回值为存储图像矩特征的字典，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. 中心距：

二阶中心矩：mu20, mu11, mu02  三阶中心距：mu30, mu21, mu12, mu03

3. 归一化中心：

二阶Hu矩：nu20, nu11, nu02 三阶Hu矩：nu30, nu21, nu12, nu03

如果两个轮廓的矩一致，那么这两个轮廓就是一致的。

 

零阶矩m00表示的是轮廓的面积，与cv2.contourArea()的计算结果一致。

计算轮廓的质心可以通过如下公式计算

x = int( M['m10'] / M['m00'] )

y =  int( M['m01'] / M['m00'] )