图像分析与特征提取

本章介绍OpenCV中的图像分析和特征提取技术，这些是计算机视觉应用中的核心能力。

图像直方图分析

直方图是图像中像素值分布的统计表示，是理解图像特性的有力工具。

灰度直方图

# 计算灰度直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])

颜色直方图

# 计算RGB三通道直方图
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    histr = cv2.calcHist([img], [i], None, [256], [0, 256])
    # 绘制每个通道的直方图

掩码直方图

# 创建ROI区域的掩码
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255

# 使用掩码计算直方图
masked_hist = cv2.calcHist([img], [0], mask, [256], [0, 256])

直方图均衡化

直方图均衡化是一种常用的图像增强技术，可以提高图像的对比度：

# 应用直方图均衡化
equalized = cv2.equalizeHist(gray_img)

# 自适应直方图均衡化(CLAHE) - 减少过度增强噪声
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(gray_img)

直方图比较

# 计算两个直方图之间的相似度
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)

比较方法	描述	最佳匹配值
HISTCMP_CORREL	相关性	接近1
HISTCMP_CHISQR	卡方	接近0
HISTCMP_INTERSECT	交集	越大越好
HISTCMP_BHATTACHARYYA	巴氏距离	接近0

图像轮廓分析

基本轮廓检测

# 获取图像轮廓
contours, hierarchy = cv2.findContours(
    binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)

# 绘制轮廓
contour_img = img.copy()
cv2.drawContours(contour_img, contours, -1, (0, 255, 0), 2)

轮廓层次结构

轮廓层次结构表示轮廓之间的包含关系：

检索模式	描述	应用场景
RETR_EXTERNAL	只检索最外层轮廓	物体计数、简单形状检测
RETR_LIST	检索所有轮廓，无层次关系	全部轮廓分析、简单场景
RETR_CCOMP	检索所有轮廓，两层层次结构	物体内部和外部轮廓分析
RETR_TREE	检索所有轮廓，完整层次结构	复杂场景、嵌套对象分析

轮廓属性分析

# 计算轮廓的面积
area = cv2.contourArea(contour)

# 计算轮廓的周长
perimeter = cv2.arcLength(contour, True)  # True表示闭合轮廓

# 获取轮廓的边界矩形
x, y, w, h = cv2.boundingRect(contour)

# 获取轮廓的最小外接矩形
rect = cv2.minAreaRect(contour)
box = cv2.boxPoints(rect)
box = np.int0(box)

边界矩形

最小外接矩形

最小外接圆

形状描述符

# 计算轮廓的Hu矩
moments = cv2.moments(contour)
hu_moments = cv2.HuMoments(moments)

# 计算轮廓的质心
cx = int(moments['m10'] / moments['m00'])
cy = int(moments['m01'] / moments['m00'])

# 计算轮廓的形状特征
solidity = area / cv2.contourArea(cv2.convexHull(contour))
aspect_ratio = float(w) / h
extent = area / (w * h)

形状描述符应用

• Hu矩: 旋转、缩放和平移不变性，适合形状匹配
• 质心: 定位物体中心，追踪物体运动
• 凸度: 检测物体的凹陷程度，识别特定形状
• 纵横比: 区分长形和方形物体

凸包检测

# 计算轮廓的凸包
hull = cv2.convexHull(contour)

# 绘制凸包
hull_img = img.copy()
cv2.drawContours(hull_img, [hull], 0, (0, 0, 255), 2)

原始轮廓

→

凸包

凸缺陷

凸缺陷是物体轮廓与其凸包之间的差异，常用于手势识别等场景。

# 查找凸缺陷
defects = cv2.convexityDefects(contour, cv2.convexHull(contour, returnPoints=False))

# 处理凸缺陷点
for i in range(defects.shape[0]):
    s, e, f, d = defects[i, 0]
    start = tuple(contour[s][0])
    end = tuple(contour[e][0])
    far = tuple(contour[f][0])
  
    # 绘制凸缺陷点和线
    cv2.line(img, start, end, [0, 255, 0], 2)
    cv2.circle(img, far, 5, [0, 0, 255], -1)

特征点检测与匹配

Harris角点检测

角点是图像中梯度在多个方向变化显著的点。

# Harris角点检测
corners = cv2.cornerHarris(gray_img.astype(np.float32), 2, 3, 0.04)

# 标记角点
corner_img = img.copy()
corner_img[corners > 0.01 * corners.max()] = [0, 0, 255]

Harris角点

SIFT和SURF特征

SIFT(尺度不变特征变换)和SURF(加速稳健特征)是强大的特征检测算法，可用于对象识别和图像匹配。

注意

SIFT和SURF是专利算法，需要通过安装 opencv-contrib-python才能使用。

# 创建SIFT检测器
sift = cv2.SIFT_create()

# 检测关键点和计算描述符
keypoints, descriptors = sift.detectAndCompute(gray_img, None)

# 绘制关键点
sift_img = cv2.drawKeypoints(img, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

ORB特征

ORB (Oriented FAST and Rotated BRIEF) 是一种开源替代方案，速度快且无专利限制。

# 创建ORB检测器
orb = cv2.ORB_create()

# 检测关键点和计算描述符
keypoints, descriptors = orb.detectAndCompute(gray_img, None)

# 绘制关键点
orb_img = cv2.drawKeypoints(img, keypoints, None, color=(0, 255, 0))

特征匹配

# 创建BF匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 匹配描述符
matches = bf.match(descriptors1, descriptors2)

# 按距离排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制前N个匹配
match_img = cv2.drawMatches(img1, keypoints1, img2, keypoints2, matches[:30], None)

特征分类比较

特征类型	优势	劣势	适用场景
Harris角点	简单快速、准确定位	不具尺度不变性	简单场景、实时应用
SIFT	尺度、旋转不变性强	计算较慢、专利限制	复杂场景匹配、全景拼接
SURF	比SIFT更快、不变性良好	专利限制、略微降低精度	高速场景、目标跟踪
ORB	非常快速、无专利限制	不变性弱于SIFT/SURF	实时应用、低计算资源环境

实际应用案例

模板匹配

# 模板匹配
result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)

# 获取最佳匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# 根据匹配方法确定匹配位置
top_left = max_loc  # 对于TM_CCOEFF_NORMED方法
bottom_right = (top_left[0] + w, top_left[1] + h)

# 绘制矩形框标记匹配区域
cv2.rectangle(img, top_left, bottom_right, 255, 2)

全景图像拼接

# 1. 检测特征点和描述符
keypoints1, descriptors1 = sift.detectAndCompute(gray1, None)
keypoints2, descriptors2 = sift.detectAndCompute(gray2, None)

# 2. 特征匹配
matches = bf.knnMatch(descriptors1, descriptors2, k=2)

# 3. 应用比率测试筛选好的匹配
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

# 4. 找到变换矩阵
src_pts = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 5. 应用变换
result = cv2.warpPerspective(img1, M, (img1.shape[1] + img2.shape[1], img1.shape[0]))
result[0:img2.shape[0], 0:img2.shape[1]] = img2

总结与拓展方向

技术	核心应用	进阶方向
直方图分析	图像分类、对比度增强	多维直方图、深度学习与直方图融合
轮廓分析	形状识别、目标检测	多尺度轮廓分析、实时轮廓跟踪
特征点检测	图像匹配、物体识别	深度学习特征点、语义特征点
特征匹配	图像拼接、目标检测	鲁棒特征匹配、特征融合策略

掌握这些图像分析和特征提取技术后，您可以开发更智能的计算机视觉应用，如物体识别、图像搜索、增强现实等。结合深度学习，更可以实现更复杂的视觉理解任务。