轮廓匹配---学习笔记

1. 背景：虽然Canny之类的边缘检测算法可以根据像素间的差异检测出轮廓边界的像素，但是它并没有将轮廓作为一个整体。
2. 轮廓获取得到一个图像的直方图,具体实现步骤：分割图像通道->求出bins数量及范围->创建直方图->计算直方图
3. opencv中提供了两类表达轮廓的方式：顶点的序列、Freeman链码。
4. 轮廓的特性：
   1. 轮廓的多边形逼近：使用一个多边形来近似表示一个轮廓。目的是为了减少轮廓的顶点数目。
   2. 轮廓的关键点：轮廓上包含曲线信息比较多的点，关键点是轮廓顶点的子集。
   3. 轮廓的边界框：矩形，圆形，椭圆
   4. 轮廓的矩：是通过对轮廓上所有点进行积分运算（或求和（针对离散）运算）得到的一个粗略特征.
   5. 轮廓树：
      1. 用来描述某个特定轮廓的内部特征。轮廓树跟轮廓是一一对应的关系；轮廓树不用于描述多个轮廓之间的层次关系。
      2. 轮廓树的创建过程：从底端（叶子节点）到顶端（根节点）的，搜索三角形突出或凹陷的形状的周边，每个三角形被一条线段（通过连接非相邻点的两点得到）代替。
   6. 轮廓的凸包或凸缺陷：用于描述物体的外形。
   7. 轮廓的成对几何直方图：
      1. 链码编码直方图（CCH）：用于统计一个轮廓的freeman链码编码每一种走法的数字。特性：当物体旋转45度，则新的直方图是老直方图的循环平移，可以不受旋转影响。
      2. 轮廓保存的是一系列的顶点，而看到的是由一系列线段组成的多边形。
      3. 成对几何直方图所用的统计数据包括了夹角和距离。
5. 轮廓的匹配：
   1. Hu矩匹配：                
      1. 矩：实函数相对于值c的n阶距:（x-c）^n
      2. 图像的几何矩：具有平移，旋转，尺度不变性。
      3. 归一化中心距：特征不仅具有平移不变性，还具有比例不变性。
      4. Hu距是归一化中心矩的线性组合，对于缩放，旋转，镜像映射具有不变性。
      5. 一些统计规律：轮廓边界长度（零阶距），x/y方向上均值（即质心，一阶距），方差（二阶中心距），形状特性（Hu距）
   2. 轮廓树匹配：用树的形式比较两个轮廓。
   3. 成对几何直方图匹配：得到轮廓的成对几何直方图后，可使用直方图对比的方法进行匹配。
6. 基于轮廓的识别：需把图像拆分通道，寻找边缘，转换为轮廓（多边形逼近，特性概括），然后进行轮廓匹配（图像与图像，图像与模板）
7. 轮廓匹配主要解决：大小，位置，旋转角度，精度不同图像间的匹配问题。
8. 查找轮廓：
   1. 对图像进行canny检测。
   2. 可直接对二值化图像进行轮廓提取，找出的轮廓其实就是blob，画上外截矩形就是ROI。
9. 简单几何不变性：
   1. 利用角点特征：
      1. 在图像边界上曲率足够高的点，角点特征具有平移，旋转，缩放不变性。
      2. 只适用于物体边界角点多且能代表物体形状的特征点的物体。
   2. 利用等价曲线来表示形状：
      1. 具有平移，旋转，缩放不变的特性。
      2. 利用形状边界点的极半径的变化是否一致来判断是否属于同一类型。
   3. 高斯描述子：一种基于边界的形状特征。
   4. 小波变换：
      1. 具有空间-频率局部性，方向性，多分辨率。
      2. 在不同尺度上对图像进行分解。
   5. 骨架化方法：使用物体的中轴或骨架的拓扑关系来描述其形状。
   6. PCA在最小均方差的意义下是最优变换，消除模式特征之间的相关性，突出差异性方面达到最优效果。