想自己做个网站,志愿者网站 建设方案,广东省白云区属于哪个市,做抽奖网站合法吗OpenCV 例程200篇 总目录-202206更新 【youcans 的 OpenCV 例程200篇】198.基于不变矩的形状相似性检测 3. 基于不变矩检测的图像识别
形状匹配也称为形状相似度检测#xff0c;用于比较两个形状或两个轮廓。
函数 cv2.matchShapes() 基于 Hu 不变矩检测两个形状之间的相似度…OpenCV 例程200篇 总目录-202206更新 【youcans 的 OpenCV 例程200篇】198.基于不变矩的形状相似性检测 3. 基于不变矩检测的图像识别
形状匹配也称为形状相似度检测用于比较两个形状或两个轮廓。
函数 cv2.matchShapes() 基于 Hu 不变矩检测两个形状之间的相似度因此图像的平移、旋转、灰度变化、尺度变化对相似度的影响都很小。
Hu 利用二阶和三阶归一化中心距构造了 7 个不变矩 M1~M7 在连续图像下具有平移、灰度、尺度、旋转不变性 是高度浓缩的图像特征。 不变矩能够描述图像的整体性质从而在边缘提取、图像匹配及目标识别中得到了广泛的应用。
在实际的图像识别中只有 M1 和 M2 的不变性比较好而 M3~M7 的误差较大识别率比较低。Hu不变矩对于物体的形状描述比较稳定比较适合识别较大尺寸的物体如水果的形状、车牌的字符等。 例程 12.8基于不变矩的形状相似性检测 # 12.8 基于不变矩的形状相似性检测img cv2.imread(../images/Polygon01.png, flags1)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像_, binary cv2.threshold(gray, 127, 255, cv2.THRESH_OTSUcv2.THRESH_BINARY_INV)# 寻找二值化图中的轮廓# binary, contours, hierarchy cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # OpenCV3contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # OpenCV4~# 绘制最外层轮廓contourEx img.copy() # OpenCV3.2 之前的早期版本查找轮廓函数会修改原始图像for i in range(len(contours)): # 绘制第 i 个轮廓x, y, w, h cv2.boundingRect(contours[i]) # 外接矩形contourEx cv2.drawContours(contourEx, contours, i, (205, 0, 0), thickness-1) # 第 i 个轮廓内部填充contourEx cv2.putText(contourEx, str(i), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255))# 形状相似度检测print(| 对比形状 | 相似度 | 变形方式 |)print(| :--: | :--: | :--: |)similarity np.array([cv2.matchShapes(contours[10], contours[i], 1, 0.0) for i in range(len(contours))])argSort similarity.argsort() # 形状相似度 ret 从小到大排序 (相似度降低)for i in range(len(contours)):index argSort[i]print(| cnt[10] cnt[{}] | {} | |.format(index, round(similarity[index],2)))# 计算所有轮廓的 Hu 不变矩print(| 轮廓编号 | M1 | M2 | M3 | M4 | M5 | M6 | M7 |)print(| :--: | :--: | :--: | :--: | :--: | :--: | :--: | :--: |)cntsHuM np.empty((len(contours), 7), np.float)for i in range(len(contours)):moments cv2.moments(contours[i]) # 返回字典几何矩 mpq, 中心矩 mupq 和归一化矩 nupqhum cv2.HuMoments(moments) # 计算 Hu 不变矩cntsHuM[i,:] np.round(hum.reshape(hum.shape[0]), 2)print(|{}|{:.2e}|{:.2e}|{:.2e}|{:.2e}|{:.2e}|{:.2e}|{:.2e}|.format(i, cntsHuM[i][0],cntsHuM[i][1], cntsHuM[i][2], cntsHuM[i][3], cntsHuM[i][4], cntsHuM[i][5], cntsHuM[i][6]))plt.figure(figsize(9, 6))plt.subplot(121), plt.axis(off), plt.title(Origin)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.subplot(122), plt.axis(off), plt.title(Contours)plt.imshow(cv2.cvtColor(contourEx, cv2.COLOR_BGR2RGB))plt.tight_layout()plt.show()形状相似度
对比形状相似度变形方式cnt[10] cnt[10]0.00原图cnt[10] cnt[3]0.03放大尺寸cnt[10] cnt[11]0.04旋转角度cnt[10] cnt[4]0.04缩小尺寸cnt[10] cnt[6]0.09旋转 缩放cnt[10] cnt[9]0.40尾部缩短cnt[10] cnt[7]0.52尾部拉长cnt[10] cnt[8]0.55头部放大cnt[10] cnt[2]0.59不同形状cnt[10] cnt[5]0.69形状变形cnt[10] cnt[1]1.48缩放尾部拉长cnt[10] cnt[0]1.89扭曲Hu 不变矩
轮廓编号M1M2M3M4M5M6M7102.60e-013.00e-020.00e000.00e000.00e000.00e00-0.00e0032.50e-013.00e-020.00e000.00e000.00e000.00e000.00e00112.50e-013.00e-020.00e000.00e000.00e000.00e00-0.00e0042.50e-013.00e-020.00e000.00e000.00e000.00e000.00e0062.70e-014.00e-020.00e000.00e000.00e000.00e000.00e00程序说明 根据形状相似度检测结果进行分析 (1) 相似度值越小则图形的相似性越高。本例的基准形状为轮廓 [10] 与自身的相似度值为 0.0表示是完全相同的形状。 (2) 轮廓 [10] 与轮廓 [3]、[11]、[4]、[6] 的相似度值也很小表示与轮廓 [10] 的相似性很高。这些轮廓是由轮廓 [10] 进行放大、缩小、旋转、旋转缩放产生的表明图像的平移、缩放和旋转对相似度的影响都很小。 (3) 轮廓 [10] 与轮廓 [9]、[7]、[8]、[2]、[5] 的相似度值较小表示与轮廓 [10] 的相似性较高。这些轮廓有的是由轮廓 [10] 进行尾部或头部拉伸、放大产生有的进行了较大的变形。 (4) 轮廓 [10] 与轮廓 [1]、[0] 的相似度值很大表示与轮廓 [10] 的相似性很低。实际上轮廓 [1] 也是对轮廓 [10] 的尾部拉伸和变形轮廓 [0] 是对轮廓 [10] 的扭转。 综合以上结果分析1图像的平移、缩放和旋转对相似度的影响很小2形状相似度检测结果在一定程度上可以反映形状的相似程度但该指标并不完全可靠。 轮廓 [10] 与轮廓 [3]、[11]、[4] 的 7 个不变矩 M1~M7 完全相同这些轮廓是由轮廓 [10] 进行放大、缩小、旋转产生的这验证了 Hu 不变矩具有具有平移、尺度、旋转不变性。 本节完 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/125024042) Copyright 2022 youcans, XUPT Crated2022-5-28 欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列持续更新中 更多内容请见 【OpenCV 例程200篇 总目录-202206更新】 194.寻找图像轮廓cv.findContours 195.绘制图像轮廓cv.drawContours 196.图像的矩和不变矩cv.moments 197.轮廓的基本特征 198.基于不变矩的形状相似性检测 199.轮廓的外接边界框 200.轮廓的基本属性
