OpenCV实战之基于Hu矩实现轮廓匹配

目录
  • 前言
  • 一、查找轮廓
  • 二、计算Hu矩
  • 三、显示效果
  • 四、源码
  • 总结

前言

本文将使用OpenCV C++ 基于Hu矩进行轮廓匹配。

一、查找轮廓

原图

测试图

vector<vector<Point>>findContour(Mat Image)
{
    Mat gray;
    cvtColor(Image, gray, COLOR_BGR2GRAY);

    Mat thresh;
    threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

    vector<vector<Point>>contours;
    findContours(thresh, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);
    vector<vector<Point>>EffectConts;
    for (int i = 0; i < contours.size(); i++)
    {
        double area = contourArea(contours[i]);

        if (area > 1000)
        {
            EffectConts.push_back(contours[i]);
        }
    }

    return EffectConts;
}

如图所示，这就是找到的最外轮廓。接下来，我们基于轮廓进行匹配。

二、计算Hu矩

OpenCV提供moments API计算图像的中心矩；HuMoments API用于中心矩计算Hu矩。关于moments HuMoments相关知识请大家自行查找。

Moments m_test = moments(test_contours[0]);
    Mat hu_test;
    HuMoments(m_test, hu_test);

    double MinDis = 1000;
    int MinIndex = 0;
    for (int i = 0; i < src_contours.size(); i++)
    {
        Moments m_src = moments(src_contours[i]);
        Mat hu_src;
        HuMoments(m_src, hu_src);

        double dist = matchShapes(hu_test, hu_src, CONTOURS_MATCH_I1, 0);

        if (dist < MinDis)
        {
            MinDis = dist;
            MinIndex = i;
        }
    }

上面代码段大致思路是：首先计算测试图的Hu矩；然后使用一个for循环计算原图中所有轮廓的Hu矩，依次计算两Hu矩的相似程度。在这里使用matchShapes API计算两个Hu矩。函数返回值代表两Hu矩的相似程度。完全相同返回值为0。即这里通过计算两Hu矩的相似程度，找到返回值最小的那个作为成功匹配。

三、显示效果

	drawContours(src, src_contours, MinIndex, Scalar(0, 255, 0), 2);

	Rect rect = boundingRect(src_contours[MinIndex]);

	rectangle(src, rect, Scalar(0, 0, 255), 2);

最终效果如图所示。

四、源码

#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;

vector<vector<Point>>findContour(Mat Image)
{
    Mat gray;
    cvtColor(Image, gray, COLOR_BGR2GRAY);

    Mat thresh;
    threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

    vector<vector<Point>>contours;
    findContours(thresh, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);
    vector<vector<Point>>EffectConts;
    for (int i = 0; i < contours.size(); i++)
    {
        double area = contourArea(contours[i]);

        if (area > 1000)
        {
            EffectConts.push_back(contours[i]);
        }
    }

    return EffectConts;
}

int main()
{

    Mat src = imread("test/hand.jpg");
    Mat test = imread("test/test-3.jpg");

    if (src.empty() || test.empty())
    {
        cout << "No Image!" << endl;
        system("pause");
        return -1;
    }

    vector<vector<Point>>src_contours;
    vector<vector<Point>>test_contours;

    src_contours = findContour(src);
    test_contours = findContour(test);

    Moments m_test = moments(test_contours[0]);
    Mat hu_test;
    HuMoments(m_test, hu_test);

    double MinDis = 1000;
    int MinIndex = 0;
    for (int i = 0; i < src_contours.size(); i++)
    {
        Moments m_src = moments(src_contours[i]);
        Mat hu_src;
        HuMoments(m_src, hu_src);

        double dist = matchShapes(hu_test, hu_src, CONTOURS_MATCH_I1, 0);

        if (dist < MinDis)
        {
            MinDis = dist;
            MinIndex = i;
        }
    }

    drawContours(src, src_contours, MinIndex, Scalar(0, 255, 0), 2);

    Rect rect = boundingRect(src_contours[MinIndex]);

    rectangle(src, rect, Scalar(0, 0, 255), 2);

    imshow("test", test);
    imshow("Demo", src);
    waitKey(0);
    system("pause");
    return 0;
}

总结

本文使用OpenCV C++基于Hu矩轮廓匹配，关键步骤有以下几点。

1、查找轮廓。在这里，我是基于最外轮廓进行匹配。

2、计算轮廓的Hu矩，然后使用matchShapes计算两Hu矩的距离，以此来判断匹配程度。

到此这篇关于OpenCV实战之基于Hu矩实现轮廓匹配的文章就介绍到这了,更多相关OpenCV Hu矩轮廓匹配内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

赞 (0)

相关推荐

  • C++ OpenCV实战之制作九宫格图像

    C++ OpenCV实战之制作九宫格图像

    目录 前言 一.九宫格图像 二.源码 三.效果显示 总结 前言 本文将使用OpenCV C++ 制作九宫格图像.其实原理很简单,就是将一张图像均等分成九份.然后将这九个小块按一定间隔(九宫格效果)拷贝到新画布上就可以啦. 一.九宫格图像 原图如图所示.本案例的需求是希望将图像均等分成九份,制作九宫格图像.首先得将原图均等分成九份. 如图所示.将原图均等分成九份,然后将这每一个小方块按照一定的间隔(九宫格效果)拷贝到新图像就可以了.具体算法思想请看源码注释. 二.源码 #include<iostr

  • C++ OpenCV实现二维码检测功能

    C++ OpenCV实现二维码检测功能

    目录 前言 一.二维码检测 二.二维码识别 三.二维码绘制 四.源码 总结 前言 本文将使用OpenCV C++ 进行二维码检测. 一.二维码检测 首先我们要先将图像进行预处理,通过灰度.滤波.二值化等操作提取出图像轮廓.在这里我还添加了形态学操作,消除噪点,有效将矩形区域连接起来. Mat gray; cvtColor(src, gray, COLOR_BGR2GRAY); Mat blur; GaussianBlur(gray, blur, Size(3, 3), 0); Mat bin;

  • C++ OpenCV实战之图像全景拼接

    C++ OpenCV实战之图像全景拼接

    目录 前言 一.OpenCV Stitcher 1.功能源码 2.效果 二.图像全景拼接 1.特征检测 2.计算单应性矩阵 3.透视变换 4.图像拼接 5.功能源码 6.效果 三.源码 总结 前言 本文将使用OpenCV C++ 进行图像全景拼接.目前使用OpenCV对两幅图像进行拼接大致可以分为两类. 一.使用OpenCV内置API Stitcher 进行拼接. 二.使用特征检测算法匹配两幅图中相似的点.计算变换矩阵.最后对其进行透视变换就可以了. 一.OpenCV Stitcher imag

  • C++ OpenCV实战之图像透视矫正

    C++ OpenCV实战之图像透视矫正

    目录 前言 一.图像预处理 二.轮廓提取 1.提取最外轮廓 2.提取矩形四个角点 3.将矩形角点排序 三.透视矫正 四.源码 前言 本文将使用OpenCV C++ 进行图像透视矫正. 一.图像预处理 原图如图所示.首先进行图像预处理.将图像进行灰度.滤波.二值化.形态学等操作,目的是为了下面的轮廓提取.在这里我还使用了形态学开.闭操作,目的是使整个二值图像连在一起.大家在做图像预处理时,可以根据图像特征自行处理. Mat gray; cvtColor(src, gray, COLOR_BGR2G

  • C++ OpenCV实现物体尺寸测量示例详解

    C++ OpenCV实现物体尺寸测量示例详解

    目录 前言 一.图像透视矫正 二.物体定位 三.尺寸测量 四.效果显示 五.源码 总结 前言 本文将使用OpenCV C++ 进行物体尺寸测量.具体来说就是先定位到待测物体的位置,然后测量物体的宽高. 一.图像透视矫正 原图如图所示.本案例的需求是测量图片中两张卡片的尺寸.首先,我们得定位到两张卡片的位置.第一步,我们首先得将白色A4纸切割出来,这样方便定位到两张卡片所在位置.这里用到的算法是图像透视矫正,具体可以参考OpenCV C++案例实战四<图像透视矫正> //图像矫正 void ge

  • C++ OpenCV生成蒙太奇图像的示例详解

    C++ OpenCV生成蒙太奇图像的示例详解

    目录 前言 一.输入模板图像 二.读取素材图像 三.生成蒙太奇模板 四.生成蒙太奇图像 五.源码 总结 前言 本文将使用OpenCV C++ 生成蒙太奇图像. 一.输入模板图像 原图如图所示.我们将对此图生成蒙太奇图像. Mat src = imread("Taylor.jpg"); if (src.empty()) { cout << "No image!" << endl; system("pause"); retur

  • C++ OpenCV实现图像修复功能

    C++ OpenCV实现图像修复功能

    目录 前言 一.OpenCV inpaint 二.源码 三.效果显示 前言 本文将使用OpenCV C++ 对有瑕疵的图像进行修复.OpenCV 提供了inpaint API可进行图像修复. 一.OpenCV inpaint 原图如图所示.本案例的需求是希望能够将图像上的红线给消除.OpenCV 提供的inpaint API能够实现这个效果. void inpaint( InputArray src, 原图 InputArray inpaintMask, 二进制掩模,指示要修复的像素 Outpu

  • C++ OpenCV制作哈哈镜图像效果

    C++ OpenCV制作哈哈镜图像效果

    目录 前言 一.凸透镜 1.功能源码 2.效果显示 二.凹透镜 1.功能源码 2.效果显示 三.源码 前言 本文将使用OpenCV C++ 制作哈哈镜图像.其实原理很简单,就是让图像像素扭曲,将像素重新进行映射. 一.凸透镜 制作凸透镜效果(将图像放大).根据网上查找的变换公式: 图像放大:凸透镜 x = (dx / 2)*(sqrt(pow(dx, 2) + pow(dy, 2)) / r) + cx; y = (dy / 2)*(sqrt(pow(dx, 2) + pow(dy, 2)) /

  • OpenCV实战之基于Hu矩实现轮廓匹配

    OpenCV实战之基于Hu矩实现轮廓匹配

    目录 前言 一.查找轮廓 二.计算Hu矩 三.显示效果 四.源码 总结 前言 本文将使用OpenCV C++ 基于Hu矩进行轮廓匹配. 一.查找轮廓 原图 测试图 vector<vector<Point>>findContour(Mat Image) {     Mat gray;     cvtColor(Image, gray, COLOR_BGR2GRAY);     Mat thresh;     threshold(gray, thresh, 0, 255, THRESH

  • Python OpenCV 基于图像边缘提取的轮廓发现函数

    Python OpenCV 基于图像边缘提取的轮廓发现函数

    基础知识铺垫 在图像中,轮廓可以简单的理解为连接具有相同颜色的所有连续点(边界)的曲线,轮廓可用于形状分析和对象检测.识别等领域. 轮廓发现的原理:先通过阈值分割提取目标物体,再通过边缘检测提取目标物体轮廓. 一个轮廓就是一系列的点(像素),这些点构成了一个有序的点集合. 使用 cv2.findContours 函数可以用来检测图像的边缘. 函数原型说明 contours, hierarchy = cv2.findContours(image, mode, method[, contours[,

  • Python实战之基于OpenCV的美颜挂件制作

    Python实战之基于OpenCV的美颜挂件制作

    目录 基于 Snapchat 的增强现实 胡子挂件融合 完整代码 眼镜挂件融合 完整代码 基于 Snapchat 的增强现实 胡子挂件融合 第一个项目中,我们将在检测到的脸上覆盖了一个小胡子.我们可以使用从摄像头捕获的连续视频帧,也可以使用单张测试图像.在进行实际讲解程序的关键步骤前,首先查看应用程序预期输出的结果图像: 项目的第一步是检测图像中的人脸.如上图所示,使用青色矩形绘制图像中检测到的人脸的位置和大小:接下来迭代图像中所有检测到的人脸,在其区域内搜索鼻子,粉红色矩形表示图像中检测到的鼻

  • C++ OpenCV实战之网孔检测的实现

    C++ OpenCV实战之网孔检测的实现

    目录 前言 一.HSV通道转换 二.图像修复 2.1 OpenCV函数实现 2.2 MyFunction 三.轮廓提取 四.效果显示 五.源码 总结 前言 前段时间,有位粉丝私信我,给我发了一张图片,如下图所示: 在这里贴出他的原话. 从他给的图片分析,该图存在遮挡,所以不能简单的二值化,然后提取图像轮廓去寻找结果.所以,我就想如何去掉这些遮挡物(即图像修复).从图像可知,该遮挡物是黄色的线,所以,我就想可否使用hsv色彩空间提取出黄色,然后得到二值掩模图像,最后对原图进行修复.接下来,就一起看

  • C++ OpenCV实战之零部件的自动光学检测

    C++ OpenCV实战之零部件的自动光学检测

    目录 一.背景 二.基础知识 三.代码实现 1.实现多窗口展示 2.降噪处理 3.背景去除 4.连通图实现 5.计算连通域面积 6.轮廓检测 四.总结 一.背景 首先任务背景是AOI(自动光学检测) 最重要的目的在于:将前景和物体进行分割与分类: 场景示意图: 需要注意,在螺母的传送带上,需要有前光和背光,给物体打光才能够拍摄清晰的图像: 二.基础知识 首先分为以下几步: 1.噪声抑制(预处理) 2.背景移除(分割) 3.二值化 4.连通域.轮廓查找算法 降噪算法 先使用中值滤波对椒盐噪声进行过

  • Python+Opencv实战之人脸追踪详解

    Python+Opencv实战之人脸追踪详解

    目录 前言 人脸追踪技术简介 使用基于 dlib DCF 的跟踪器进行人脸跟踪 使用基于 dlib DCF 的跟踪器进行对象跟踪 小结 前言 人脸处理是人工智能中的一个热门话题,人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息,例如身份.意图和情感:而目标跟踪试图估计目标在整个视频序列中的轨迹,其中只有目标的初始位置是已知的,将这两者进行结合将产生许多有趣的应用.由于外观变化.遮挡.快速运动.运动模糊和比例变化等多种因素,人脸追踪非常具有挑战性. 人脸追踪技术简介 基于判别相关滤波器 (d

  • Python OpenCV实战之与机器学习的碰撞

    Python OpenCV实战之与机器学习的碰撞

    目录 0. 前言 1. 机器学习简介 1.1 监督学习 1.2 无监督学习 1.3 半监督学习 2. K均值 (K-Means) 聚类 2.1 K-Means 聚类示例 3. K最近邻 3.1 K最近邻示例 4. 支持向量机 4.1 支持向量机示例 小结 0. 前言 机器学习是人工智能的子集,它为计算机以及其它具有计算能力的系统提供自动预测或决策的能力,诸如虚拟助理.车牌识别系统.智能推荐系统等机器学习应用程序给我们的日常生活带来了便捷的体验.机器学习的蓬勃发展,得益于以下三个关键因素:1) 海

  • OpenCV实战之图像拼接的示例代码

    OpenCV实战之图像拼接的示例代码

    目录 背景 实现步骤 一.读取文件 二.单应性矩阵计算 三.图像拼接 总结 背景 图像拼接可以应用到手机中的全景拍摄,也就是将多张图片根据关联信息拼成一张图片: 实现步骤 1.读文件并缩放图片大小: 2.根据特征点和计算描述子,得到单应性矩阵: 3.根据单应性矩阵对图像进行变换,然后平移: 4.图像拼接并输出拼接后结果图: 一.读取文件 第一步实现读取两张图片并缩放到相同尺寸: 代码如下: img1 = cv2.imread('map1.png') img2 = cv2.imread('map2

  • C++ OpenCV实战之车道检测

    C++ OpenCV实战之车道检测

    目录 前言 一.获取车道ROI区域 二.车道检测 1.灰度.阈值 2.获取非零像素点 3.绘制车道线 总结 前言 本文将使用OpenCV C++ 进行车道检测. 一.获取车道ROI区域 原图如图所示. 使用下面代码段获取ROI区域.该ROI区域点集根据图像特征自己设定.通过fillPoly填充ROI区域,最终通过copyTo在原图中扣出ROI. void GetROI(Mat src, Mat &image) {     Mat mask = Mat::zeros(src.size(), src

随机推荐