基于opencv的轮廓匹配算法：python代码实现(轮廓匹配算法图像计算)

轮廓匹配原理

轮廓匹配的原理是利⽤轮廓的不变性特征来判断轮廓之间的相似度，模式识别领域的⼀位先贤Hu.M.K在1962年找到了这些特征，并证明了他们具有旋转，缩放和平移不变性。
这些特征也以这位先贤的名字命名，它们统称为Hu矩。
Hu矩包括下⾯7个矩，这个是经过⼆阶和三阶规格中⼼矩推导出来的。
图像Hu矩的物理意义：

Hu矩的7个公式

图像Hu矩的python计算代码如下，如果理解了Hu矩的意义，其实并不复杂，Hu矩的计算对象是一个点集，可以是一个轮廓，也可以是一个灰度图。
这里以灰度图为例：

def humoments(img_gray): ''' 由于7个不变矩的变化范围很大,为了便于比较,可利用取对数的方法进行数据压缩;同时考虑到不变矩有可能出现负值的情况,因此,在取对数之前先取绝对值 经修正后的不变矩特征具有平移 、旋转和比例不变性 ''' # 标准矩定义为m_pq = sumsum(x^p y^q f(x, y)) row, col = img_gray.shape #计算图像的0阶几何矩 m00 = img_gray.sum() m10 = m01 = 0 #　计算图像的二阶、三阶几何矩 m11 = m20 = m02 = m12 = m21 = m30 = m03 = 0 for i in range(row): m10 += (i img_gray[i]).sum() m20 += (i 2 img_gray[i]).sum() m30 += (i 3 img_gray[i]).sum() for j in range(col): m11 += i j img_gray[i][j] m12 += i j 2 img_gray[i][j] m21 += i 2 j img_gray[i][j] for j in range(col): m01 += (j img_gray[:, j]).sum() m02 += (j 2 img_gray[:, j]).sum() m30 += (j 3 img_gray[:, j]).sum() # 由标准矩我们可以得到图像的"重心" u10 = m10 / m00 u01 = m01 / m00 # 计算图像的二阶中心矩、三阶中心矩 y00 = m00 y10 = y01 = 0 y11 = m11 - u01 m10 y20 = m20 - u10 m10 y02 = m02 - u01 m01 y30 = m30 - 3 u10 m20 + 2 u10 2 m10 y12 = m12 - 2 u01 m11 - u10 m02 + 2 u01 2 m10 y21 = m21 - 2 u10 m11 - u01 m20 + 2 u10 2 m01 y03 = m03 - 3 u01 m02 + 2 u01 2 m01 # 计算图像的归格化中心矩 n20 = y20 / m00 2 n02 = y02 / m00 2 n11 = y11 / m00 2 n30 = y30 / m00 2.5 n03 = y03 / m00 2.5 n12 = y12 / m00 2.5 n21 = y21 / m00 2.5 # 计算图像的七个不变矩 h1 = n20 + n02 h2 = (n20 - n02) 2 + 4 n11 2 h3 = (n30 - 3 n12) 2 + (3 n21 - n03) 2 h4 = (n30 + n12) 2 + (n21 + n03) 2 h5 = (n30 - 3 n12) (n30 + n12) ((n30 + n12) 2 - 3 (n21 + n03) 2) + (3 n21 - n03) (n21 + n03) \ (3 (n30 + n12) 2 - (n21 + n03) 2) h6 = (n20 - n02) ((n30 + n12) 2 - (n21 + n03) 2) + 4 n11 (n30 + n12) (n21 + n03) h7 = (3 n21 - n03) (n30 + n12) ((n30 + n12) 2 - 3 (n21 + n03) 2) + (3 n12 - n30) (n21 + n03) \ (3 (n30 + n12) 2 - (n21 + n03) 2) inv_m7 = [h1, h2, h3, h4, h5, h6, h7] inv_m7 = np.log(np.abs(inv_m7)) return inv_m7利⽤Hu矩进⾏轮廓匹配

轮廓实质上就是⼀些轮廓点的集合，因此轮廓也可以⽤Hu矩来判断相似度，这⾥给出⼀个利⽤Hu矩形状匹配的例⼦和代码，opencv的cv2.matchShapes函数内置了Hu矩的计算⽅式，默认的匹配⽅式就是Hu矩匹配，因此这⾥就不必自己手动计算7个Hu矩啦。
轮廓匹配流程⽐较简单，分两步：

import cv2import numpy as npfrom matplotlib import pyplot as plt img1 = cv2.imread('star.jpg', 0)img2 = cv2.imread('star2.jpg', 0)ret, thresh = cv2.threshold(img1, 127, 255, 0)ret, thresh2 = cv2.threshold(img2, 127, 255, 0)contours1, hierarchy = cv2.findContours(thresh, 2, 1)cnt_star = contours1[2] # 模版轮廓contours2, hierarchy = cv2.findContours(thresh2, 2, 1)min_ret = 999 min_id = 0for i, cnt2 in enumerate(contours2): ret = cv2.matchShapes(cnt_star, cnt2, 1, 0.0) # ret越小，越相似 if ret < min_ret: min_ret = ret min_id = i print(min_id, min_ret)show_img = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)cv2.drawContours(show_img, contours2, min_id, (0, 0, 255), -1)plt.imshow(show_img)效果展示

运⾏轮廓匹配的代码，A、B、C三个轮廓的相似度分别为0.0004、0.16、0.32，因此A为相似度最高的轮廓，画出响应最⼤的轮廓区域，如图，成功找到了正确⽬标。