写在前⾯

模式识别领域有⼀个经典问题：边缘轮廓提取。轮廓提取是很多算法的基础，例如霍夫直线检测、霍夫圆检测、snake主动轮廓模型等。在轮廓提取后，为了加快算法的效率，通常会对轮廓进⾏过滤，去掉不需要的噪声轮廓，这⼀步往往使⽤的⽅法就是轮廓匹配。轮廓匹配算法的强⼤远远不⽌于此，在图像纹理信息较简单的情况下，可以使⽤轮廓匹配算法直接找到⽬标，进⾏精确的定位。如图，如何在右图中精准地找到左图的四⻆星？本⽂将教⼤家如何使⽤轮廓匹配算法来解决这个问题。

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：

• 0阶矩(m00)：目标区域的质量
• 1阶矩(m01，m10)：目标区域的质心
• 2阶矩(m02，m11，m20)：目标区域的旋转半径
• 3阶矩(m03，m12，m21，m30)：目标区域的方位和斜度，反应目标的扭曲

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：

1. 利⽤边缘提取算法，找到模板轮廓
2. 与候选轮廓⼀⼀匹配，相似度最⼤的即为⽬标轮廓

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。