OpenCV 中的矩（moments）和 Hu不变矩（HuMoments）

引言

我们在图像处理的任务中，常常需要对某些形状区域进行描述，比如形状的质心、面积、方向等等。还需要为形状选取合适的特征描述符，用于进行形状的分类任务等等。

图像矩就是用于分析、描述分割后的形状的一种经典方法。

所以，本文会整理下OpenCV是如何定义矩、如何计算矩、如何应用矩的相关知识点，并配上原理公式和代码，方便你用的时候进行查阅。

首先，你需要理解，矩的定义是什么？

矩的定义

在图像处理、计算机视觉和相关领域中，图像矩（image moments）定义为图像像素强度的某个特定加权平均值（矩），或者是此类矩的函数。

图像矩通常用于分析、描述分割后的形状。

通过图像矩可以获取一些形状的简单属性，比如面积、质心和方向信息。

对于像素强度为 $I(x,y)$ 的标量（灰度）图像，原始图像矩 $M_{ij}$ 由下式计算：
$$M_{ij}=\sum _x\sum _y{x}^i{y}^{i}I(x,y)$$

图像的中心矩定义为：
$${\mu }_{pq}=\sum _x\sum _y(x-\bar{x}{)}^p(y-\bar{y}{)}^{q}I(x,y)$$
通过证明可得：中心矩 ${\mu }_{pq}$ 是平移不变的。

你现在了解了矩的计算原理，那么在实际应用中，我们可以利用 OpenCV 的现成函数直接计算得出矩。

OpenCV中的矩（moments）

OpenCV 采用以下函数计算向量形状或栅格形状的矩，结果返回在结构cv::Moments中。

轮廓的矩以相同的方式定义，但使用格林公式计算。

C++：

#include 
Moments cv::moments(InputArray 	array,bool binaryImage = false)		

Python：

import cv2 as cv
cv.moments( array[, binaryImage] ) ->	retval

• 参数
  array：栅格图，单通道、8位或2D点阵列（Point2f）
  binaryImage：如果为true，图像的非零像素会被当做1，这个参数仅在处理images时使用。

• 返回
  moments.

OpenCV中的 Moments 包含以下矩定义：

// 空间矩 spatial moments
double  m00, m10, m01, m20, m11, m02, m30, m21, m12, m03;
// 中心矩 central moments
double  mu20, mu11, mu02, mu30, mu21, mu12, mu03;
// 中心归一化矩 central normalized moments
double  nu20, nu11, nu02, nu30, nu21, nu12, nu03;

• 空间矩的计算：
  $${\text{m}}_{ji}=\sum _{x,y}\left(\text{array}(x,y)\cdot x^j\cdot y^i\right)$$

• 中心矩的计算：
  $${\text{mu}}_{ji}=\sum _{x,y}\left(\text{array}(x,y)\cdot (x-\bar{x}{)}^j\cdot (y-\bar{y}{)}^i\right)$$
  任何阶的中心矩都有平移不变性。

• 中心归一化矩的计算：
  $${\text{nu}}_{ji}=\frac{{\text{mu}}_{ji}}{{\text{m}}_{00}^{(i+j)/2+1}}$$
  中心归一化矩还具有尺度不变形。

OpenCV中的Hu不变矩（HuMoments）

Hu不变矩 (Hu invariants) 是对平移、缩放、镜像和旋转都不敏感的7个二维不变矩的集合。常被用作于特征描述符。

C++:

void HuMoments(const Moments& m, OutputArray hu)
void HuMoments(const Moments& moments, double hu[7])

Python:

import cv2 as cv
cv.HuMoments(m[, hu]) → hu

7个二维不变矩的定义如下：
$$\begin{array}{l}hu[0]={\eta }_{20}+{\eta }_{02}\\ hu[1]=({\eta }_{20}-{\eta }_{02}{)}^2+4{\eta }_{11}^2\\ hu[2]=({\eta }_{30}-3{\eta }_{12}{)}^2+(3{\eta }_{21}-{\eta }_{03}{)}^2\\ hu[3]=({\eta }_{30}+{\eta }_{12}{)}^2+({\eta }_{21}+{\eta }_{03}{)}^2\\ hu[4]=({\eta }_{30}-3{\eta }_{12})({\eta }_{30}+{\eta }_{12})[({\eta }_{30}+{\eta }_{12}{)}^2-3({\eta }_{21}+{\eta }_{03}{)}^2]+(3{\eta }_{21}-{\eta }_{03})({\eta }_{21}+{\eta }_{03})[3({\eta }_{30}+{\eta }_{12}{)}^2-({\eta }_{21}+{\eta }_{03}{)}^2]\\ hu[5]=({\eta }_{20}-{\eta }_{02})[({\eta }_{30}+{\eta }_{12}{)}^2-({\eta }_{21}+{\eta }_{03}{)}^2]+4{\eta }_{11}({\eta }_{30}+{\eta }_{12})({\eta }_{21}+{\eta }_{03})\\ hu[6]=(3{\eta }_{21}-{\eta }_{03})({\eta }_{21}+{\eta }_{03})[3({\eta }_{30}+{\eta }_{12}{)}^2-({\eta }_{21}+{\eta }_{03}{)}^2]-({\eta }_{30}-3{\eta }_{12})({\eta }_{21}+{\eta }_{03})[3({\eta }_{30}+{\eta }_{12}{)}^2-({\eta }_{21}+{\eta }_{03}{)}^2]\end{array}$$

其中，${\eta }_{ji}$ 表示 Moments::$n{u}_{ji}$。

$hu[0]$ 类似于图像质心周围的惯性矩，其中像素的强度类似于物理密度。
$hu[0]$ 到 $hu[5]$ 是反射对称的，即如果图像变成镜像，值也不会改变。
$hu[6]$ 是反射反对称的，即在反射下会改变符号。

矩的应用

比较常用的是质心、面积、方向：

（1） 质心坐标：
$$\bar{x}=\frac{{\text{m}}_{10}}{{\text{m}}_{00}},\bar{y}=\frac{{\text{m}}_{01}}{{\text{m}}_{00}}$$
（2） 面积：
$$area={\text{m}}_{00}$$
（3）方向：

图像的方向信息可以通过二阶中心矩构造协方差矩阵获得

${\mu }_{20}^{\prime }={\mu }_{20}/{\mu }_{00}=M_{20}/M_{00}-{\bar{x}}^2$
${\mu }_{02}^{\prime }={\mu }_{02}/{\mu }_{00}=M_{02}/M_{00}-{\bar{y}}^2$
${\mu }_{11}^{\prime }={\mu }_{11}/{\mu }_{00}=M_{11}/M_{00}-\bar{x}\bar{y}$

图像的协方差矩阵
$$cov[I(x,y)]=\left[\begin{array}{cc}{\mu }_{20}^{\prime }& {\mu }_{11}^{\prime }\\ {\mu }_{11}^{\prime }& {\mu }_{02}^{\prime }\end{array}\right]$$
该矩阵的特征向量对应于图像强度的长轴和短轴。
角度可以由下式给出：
$$\theta =\frac{1}{2}arctan(\frac{2{\mu }_{11}^{\prime }}{{\mu }_{20}^{\prime }-{\mu }_{02}^{\prime }})$$
特征值大小的相对差异表示图像的偏心率，或图像的拉长程度，偏心度可以由下式给出：
$$\sqrt{1-\frac{{\lambda }_2}{{\lambda }_1}}$$

代码示例

获取图像中某些区域的轮廓，并计算每个轮廓形状的面积和质心。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import math

# 获取亮度高于阈值的区域
select = (srcMat >= thresh)
select_img = select.astype(np.uint8)

# 膨胀，填补孔洞
kernel = cv.getStructuringElement(cv.MORPH_RECT, (2, 2))
dilate_img = cv.dilate(select_img, kernel)

# 提取轮廓
_, contours, hierarchy = cv.findContours(dilate_img.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

# 准备可视化
vis = dilate_img.copy()*150
vis = cv.merge([vis,vis,vis])
title = ""

# 遍历轮廓
for cnt in contours:
	# 跳过点特别少的轮廓
	if cnt.shape[0] < 8:
		continue
	# 质心
	M = cv.moments(cnt)
	cx = int(M['m10'] / M['m00'])
	cy = int(M['m01'] / M['m00'])
	# 面积
	area = M['m00']
	# 方向
    mu20 = M['m20']/M['m00']-cx**2
    mu02 = M['m02']/M['m00']-cy**2
    mu11 = M['m11']/M['m00']-cx*cy
    angle = 1/2*math.atan(2*mu11/(mu20-mu02))
    degree = math.degrees(angle)
    cv.circle(vis, (cx,cy), 1, (0, 255, 0), -1)
	print(f"area={area},center=({cx},{cy})")

plt.title(title)
plt.imshow(vis)

输出这个轮廓的相关信息，并画出了轮廓的质心位置：

参考链接

https://docs.opencv.org/3.4/d8/d23/classcv_1_1Moments.html#a8b1b4917d1123abc3a3c16b007a7319b
Hu. Visual Pattern Recognition by Moment Invariants, IRE Transactions on Information Theory, 8:2, pp. 179-187, 1962.
http://en.wikipedia.org/wiki/Image_moment