文章目录
1、功能描述
计算图像的矩，以质心为例
2、图像矩
什么叫图像的矩，在数字图像处理中有什么作用？ - 谢博琛的回答 - 知乎
https://www.zhihu.com/question/26803016/answer/888699124
0 阶矩 m 00 m_{00} m00：目标区域的面积（Area）
1 阶矩 m 01 , m 10 m_{01}, m_{10} m01,m10：目标区域的质心（Centroid）
2 阶矩 m 02 , m 20 , m 11 m_{02}, m_{20}, m_{11} m02,m20,m11：即惯性矩，可计算目标图像的方向
3 阶矩 m 03 , m 30 , m 12 , m 21 m_{03}, m_{30}, m_{12}, m_{21} m03,m30,m12,m21：目标区域的方位和斜度，反应目标的扭曲
Hu 矩：目标区域往往伴随着空间变换（平移，尺度，旋转），所以需要在普通矩的基础上构造出具备不变性的矩组
中心矩：构造平移不变性
矩是统计学的一个概念（pencv中的图像矩（空间矩，中心矩，归一化中心矩，Hu矩））
图像矩(Image moments)是指图像的某些特定像素灰度的加权平均值（矩），或者是图像具有类似功能或意义的属性。
图像矩通常用来描述分割后的图像对象。可以通过图像的矩来获得图像的部分性质，包括面积(或总体亮度)，以及有关几何中心和方向的信息 。
例如工业缺陷检测中（实操教程｜使用计算机视觉算法检测钢板中的焊接缺陷），使用图像矩测量缺陷严重性
3、代码实现
导入必要的库函数，固定随机种子，以保证绘制出来的图片色彩固定随机
python
from __future__ import print_function
from __future__ import division
import cv2 as cv
import numpy as np
import argparse
import random as rng
rng.seed(12345)读取图片，为空打印 could not open or find xxx
python
parser = argparse.ArgumentParser(description='Code for Image Moments tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.jpg')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))
if src is None:
print('Could not open or find the image:', args.input)
exit(0)图片转化为灰度图，做模糊处理，并在窗口中显示
python
# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)调用 canny 算子边缘检测找出图片中需要计算矩的轮廓
把 canny 算子的 threshold 设置为滑动条的形式进行回调，默认为 100
python
max_thresh = 255
thresh = 100 # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()看看核心函数 thresh_callback
计算 canny 边缘检测，调用找轮廓函数，获取所有边缘轮廓
python
def thresh_callback(val):
threshold = val
canny_output = cv.Canny(src_gray, threshold, threshold * 2)
contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)计算每个轮廓的矩
python
# Get the moments
mu = [None] * len(contours)
for i in range(len(contours)):
mu[i] = cv.moments(contours[i])计算每个轮廓的质心，图片中所有像素点的横坐标除以图片的像素点个数（面积），结果为质心的横坐标
同理可以计算出质心的纵坐标
python
# Get the mass centers
mc = [None] * len(contours)
for i in range(len(contours)):
# add 1e-5 to avoid division by zero
# print(mu[i]['m00'], mu[i]['m10'], mu[i]['m01'])
mc[i] = (mu[i]['m10'] / (mu[i]['m00'] + 1e-5), mu[i]['m01'] / (mu[i]['m00'] + 1e-5))看看计算出来的矩的所有信息
python
mu[0]output
python
{'m00': 1.0, 'm10': 668.0, 'm01': 876.3333333333333, 'm20': 446224.1666666666, 'm11': 585390.6666666666, 'm02': 767960.1666666666, 'm30': 298077966.0, 'm21': 391041111.3666667, 'm12': 512997391.3333333, 'm03': 672989190.1, 'mu20': 0.16666666662786156, 'mu11': 0.0, 'mu02': 0.055555555620230734, 'mu30': 5.960464477539063e-08, 'mu21': -0.022222160400502844, 'mu12': 9.778887033462524e-09, 'mu03': 0.007407426834106445, 'nu20': 0.16666666662786156, 'nu11': 0.0, 'nu02': 0.055555555620230734, 'nu30': 5.960464477539063e-08, 'nu21': -0.022222160400502844, 'nu12': 9.778887033462524e-09, 'nu03': 0.007407426834106445}绘制轮廓，绘制每个轮廓的质心，保存结果
python
# Draw contours
drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)
for i in range(len(contours)):
color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))
cv.drawContours(drawing, contours, i, color, 2)
cv.circle(drawing, (int(mc[i][0]), int(mc[i][1])), 4, color, -1)
cv.imshow('Contours', drawing)
cv.imwrite("result.jpg", drawing)对比下我们通过图片矩计算出来的面积和直接调用 opencv 接口的轮廓面积
python
# Calculate the area with the moments 00 and compare with the result of the OpenCV function
for i in range(len(contours)):
print(' * Contour[%d] - Area (M_00) = %.2f - Area OpenCV: %.2f - Length: %.2f' % (
i, mu[i]['m00'], cv.contourArea(contours[i]), cv.arcLength(contours[i], True)))output
python
* Contour[0] - Area (M_00) = 1.00 - Area OpenCV: 1.00 - Length: 17.66
* Contour[1] - Area (M_00) = 0.00 - Area OpenCV: 0.00 - Length: 426.14
* Contour[2] - Area (M_00) = 1.50 - Area OpenCV: 1.50 - Length: 67.90
......
* Contour[539] - Area (M_00) = 92.00 - Area OpenCV: 92.00 - Length: 541.41
* Contour[540] - Area (M_00) = 21.50 - Area OpenCV: 21.50 - Length: 84.47
* Contour[541] - Area (M_00) = 81.50 - Area OpenCV: 81.50 - Length: 289.49
* Contour[542] - Area (M_00) = 61.00 - Area OpenCV: 61.00 - Length: 452.42可以看到结果是一致的
4、效果展示
输入图片
threshold = 10
threshold = 60
threshold = 112
threshold = 163
threshold = 214
只绘制矩，不绘制轮廓
eg，threshold = 125
输入图片
threshold = 64
输入图片
threshold = 64
输入图片
threshold = 64
输入图片
threshold = 64
输入图片
threshold = 64
输入图片
threshold = 64
5、完整代码
python
from __future__ import print_function
from __future__ import division
import cv2 as cv
import numpy as np
import argparse
import random as rng
rng.seed(12345)
def thresh_callback(val):
threshold = val
canny_output = cv.Canny(src_gray, threshold, threshold * 2)
contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
# Get the moments
mu = [None] * len(contours)
for i in range(len(contours)):
mu[i] = cv.moments(contours[i])
# Get the mass centers
mc = [None] * len(contours)
for i in range(len(contours)):
# add 1e-5 to avoid division by zero
# print(mu[i]['m00'], mu[i]['m10'], mu[i]['m01'])
mc[i] = (mu[i]['m10'] / (mu[i]['m00'] + 1e-5), mu[i]['m01'] / (mu[i]['m00'] + 1e-5))
# Draw contours
drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)
for i in range(len(contours)):
color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))
cv.drawContours(drawing, contours, i, color, 2)
cv.circle(drawing, (int(mc[i][0]), int(mc[i][1])), 4, color, -1)
cv.imshow('Contours', drawing)
cv.imwrite("result.jpg", drawing)
# Calculate the area with the moments 00 and compare with the result of the OpenCV function
for i in range(len(contours)):
print(' * Contour[%d] - Area (M_00) = %.2f - Area OpenCV: %.2f - Length: %.2f' % (
i, mu[i]['m00'], cv.contourArea(contours[i]), cv.arcLength(contours[i], True)))
if __name__ == "__main__":
parser = argparse.ArgumentParser(description='Code for Image Moments tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.jpg')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))
if src is None:
print('Could not open or find the image:', args.input)
exit(0)
# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)
max_thresh = 255
thresh = 100 # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()6、涉及到的库函数
cv2.moments
cv2.moments 是 OpenCV 库中的一个函数，用于计算图像轮廓的矩。
一、函数原型
python
retval = cv2.moments(array[, binaryImage])二、参数说明
-
array：表示轮廓的数组，可以是点集、灰度图像或二值图像。当 array 是点集时，函数会将这些点集当成轮廓中的顶点，把整个点集作为一条轮廓来处理，而不是将它们当成独立的点来看待。
-
binaryImage：可选参数，布尔值。当该参数为 True 时，array 内所有的非零值都被处理为 1。
三、返回值
- retval：一个字典对象，包含了轮廓的各种矩信息。这些矩可以用于进一步分析，如计算轮廓的重心、长宽比、旋转角度等。
四、矩的类型和含义
- 零阶矩（m00）：表示轮廓的面积。这是一个比较直观的含义，可以通过 M["m00"] 来访问。
- 一阶矩（m10, m01）：与轮廓的质心位置有关。其中，m10 表示关于 x 轴的亮度加权平均值（即质心的 x 坐标），m01 表示关于 y 轴的亮度加权平均值（即质心的 y 坐标）。
- 二阶矩及更高阶矩：提供了关于图像形状相对于其中心的分布信息，以及更复杂的形状特征。
五、使用示例
python
import cv2
import numpy as np
# 读取图像
img = cv2.imread("image.jpg")
# 转换为灰度图像并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 计算每个轮廓的矩
for contour in contours:
M = cv2.moments(contour)
print("轮廓的矩:", M)
print("轮廓的面积:", M["m00"])六、注意事项
- 在使用 cv2.moments 函数之前，需要确保已经正确读取了图像并找到了轮廓。
- 返回值是一个字典对象，可以通过键来访问不同类型的矩值。
- 矩值可以用于后续的形状分析和特征提取任务中。
综上所述，cv2.moments 函数是 OpenCV 库中用于计算图像轮廓矩的重要工具，它提供了关于图像形状的重要信息，并广泛应用于形状分析、特征提取和形状识别等任务中。