轮廓的查找、表达、绘制、特性及匹配

轮廓的查找、表达、绘制、特性及匹配(How to Use Contour? Find, Component, Construct, Features & Match)

作者：王先荣

前言

轮廓是构成任何一个形状的边界或外形线。前面讲了如何根据色彩及色彩的分布（直方图对比和模板匹配）来进行匹配，现在我们来看看如何利用物体的轮廓。包括以下内容：轮廓的查找、表达方式、组织方式、绘制、特性、匹配。

查找轮廓

首先我们面对的问题是如何在图像中找到轮廓，OpenCv(EmguCv)为我们做了很多工作，我们的任务只是调用现成的函数而已。Image<TColor,TDepth>类的FindContours方法可以很方便的查找轮廓，不过在查找之前，我们需要将彩色图像转换成灰度图像，然后再将灰度图像转换成二值图像。代码如下所示：

查找轮廓

Image<Bgr, Byte> imageSource = new Image<Bgr, byte>(sourceImageFileName); //获取源图像

Image<Gray, Byte> imageGray = imageSource.Convert<Gray, Byte>(); //将源图像转换成灰度图像

int thresholdValue = tbThreshold.Value; //用于二值化的阀值

Image<Gray, Byte> imageThreshold = imageGray.ThresholdBinary(new Gray(thresholdValue), new Gray(255d)); //对灰度图像二值化

Contour<Point> contour=imageThreshold.FindContours();

轮廓的表达方式

使用上面的代码可以得到图像的默认轮廓，但是轮廓在电脑中是如何表达的呢？在OpenCv(EmguCv)中提供了两类表达轮廓的方式：顶点的序列、Freeman链码。

1.顶点的序列

用多个顶点（或各点间的线段）来表达轮廓。假设要表达一个从(0,0)到(2,2)的矩形，

（1）如果用点来表示，那么依次存储的可能是：(0,0),(1,0),(2,0),(2,1),(2,2),(1,2),(0,2),(0,1)；

（2）如果用点间的线段来表达轮廓，那么依次存储的可能是：(0,0),(2,0),(2,2),(0,2)。

以下代码可以用来获取轮廓上的点：

for (int i = 0; i < contour.Total; i++)

sbContour.AppendFormat("{0},", contour[i]);

2.Freeman链码

Freeman链码需要一个起点，以及从起点出发的一系列位移。每个位移有8个方向，从0～7分别指向从正北开始的8个方向。假设要用Freeman链码表达从(0,0)到(2,2)的矩形，可能的表示方法是：起点(0,0),方向链2,2,4,4,6,6,0,0。

EmguCv对Freeman链码的支持很少，我们需要做一系列的工作才能在.net中使用Freeman链码：

（1）获取Freeman链码

查找用Freeman链码表示的轮廓

//查找用Freeman链码表示的轮廓

Image<Gray,Byte> imageTemp=imageThreshold.Copy();

IntPtr storage = CvInvoke.cvCreateMemStorage(0);

IntPtr ptrFirstChain = IntPtr.Zero;

int total = CvInvoke.cvFindContours(imageTemp.Ptr, storage, ref ptrFirstChain, sizeof(MCvChain), mode, CHAIN_APPROX_METHOD.CV_CHAIN_CODE, new Point(0, 0));

（2）遍历Freeman链码上的点

读取Freeman链码上的点

//初始化Freeman链码读取

[DllImport("cv200.dll")]

public static extern void cvStartReadChainPoints(IntPtr ptrChain,IntPtr ptrReader);

//读取Freeman链码的点

[DllImport("cv200.dll")]

public static extern Point cvReadChainPoint(IntPtr ptrReader);

[System.Runtime.InteropServices.StructLayoutAttribute(System.Runtime.InteropServices.LayoutKind.Sequential, CharSet = System.Runtime.InteropServices.CharSet.Ansi)]

//定义链码读取结构

public struct MCvChainPtReader

{

//seqReader

public MCvSeqReader seqReader;

/// char

public byte code;

/// POINT->tagPOINT

public Point pt;

/// char[16]

[System.Runtime.InteropServices.MarshalAsAttribute(System.Runtime.InteropServices.UnmanagedType.ByValTStr, SizeConst = 16)]

public string deltas;

}

//将链码指针转换成结构

MCvChain chain=(MCvChain)Marshal.PtrToStructure(ptrChain,typeof(MCvChain));

//定义存放链码上点的列表

List<Point> pointList = new List<Point>(chain.total);

//链码读取结构

MCvChainPtReader chainReader = new MCvChainPtReader();

IntPtr ptrReader = Marshal.AllocHGlobal(sizeof(MCvSeqReader) + sizeof(byte) + sizeof(Point) + 16 * sizeof(byte));

Marshal.StructureToPtr(chainReader, ptrReader, false);

//开始读取链码

cvStartReadChainPoints(ptrChain, ptrReader);

int i = 0;

while (ptrReader != IntPtr.Zero && i < chain.total)

{

//依次读取链码上的每个点

Point p = cvReadChainPoint(ptrReader);

if (ptrReader == IntPtr.Zero)

break;

else

{

pointList.Add(p);

sbChain.AppendFormat("{0},", p);

i++;

}

}

imageResult.DrawPolyline(pointList.ToArray(), true, new Bgr(lblExternalColor.BackColor), 2);

需要注意的是：cvReadChainPoint函数似乎永远不会满足循环终止的条件，即ptrReader永远不会被置为null，这跟《学习OpenCv》和参考上不一致；我们需要用chain.total来辅助终止循环，读取了所有的点之后就可以罢手了。

轮廓之间的组织方式

在查找到轮廓之后，不同轮廓是怎么组织的呢？根据不同的选择，它们可能是：（1）列表；（2）双层结构；（3）树型结构。

从纵向上来看，列表只有一层，双层结构有一或者两层，树型结构可能有一层或者多层。

如果要遍历所有的轮廓，可以使用递归的方式，代码如下：

遍历轮廓

//遍历轮廓，并生成遍历结果

private void TravelContour(Contour<Point> contour,ref int total,ref StringBuilder sbContour)

{

if (contour != null)

{

sbContour.Append("------------------------\r\n");

sbContour.AppendFormat("轮廓{0}，右节点：{1}，下级节点：{2}，外接矩形：（{3}）\r\n", total, contour.HNext != null, contour.VNext != null, contour.BoundingRectangle);

sbContour.AppendFormat("包含{0}个点（面积：{1}，周长：{2}）：\r\n", contour.Total, contour.Area, contour.Perimeter);

for (int i = 0; i < contour.Total; i++)

sbContour.AppendFormat("{0},", contour[i]);

sbContour.Append("\r\n");

total++;

if (contour.HNext != null)

TravelContour(contour.HNext, ref total, ref sbContour);

if (contour.VNext != null)

TravelContour(contour.VNext, ref total, ref sbContour);

}

}

轮廓的绘制

轮廓的绘制比较简单，用上面提到的方法取得轮廓的所有点，然后把这些点连接成一个多边形即可。

当然，对于用顶点序列表示的轮廓，用Image<TColor,TDepth>.Draw方法或者cvDrawContours函数可以很方便的绘制出轮廓。我发现，如果将参数max_level设置成2，可以绘制出所有的轮廓。

绘制轮廓的代码如下：

绘制轮廓

Image<Bgr, Byte> imageResult = imageThreshold.Convert<Bgr, Byte>(); //结果图像

int maxLevel = 0; //绘制的轮廓深度

int.TryParse(txtMaxLevel.Text, out maxLevel);

imageResult.Draw(contour, new Bgr(lblExternalColor.BackColor), new Bgr(lblHoleColor.BackColor), maxLevel, 2);

轮廓的特性

轮廓的特性有很多，下面一一介绍。

1.轮廓的多边形逼近

轮廓的多边形逼近指的是：使用多边形来近似表示一个轮廓。

多边形逼近的目的是为了减少轮廓的顶点数目。

多边形逼近的结果依然是一个轮廓，只是这个轮廓相对要粗旷一些。

可以使用Contour<Point>.ApproxPoly方法或者cvApproxyPoly函数来对轮廓进行多边形逼近，示例代码如下：

contour = firstContour.ApproxPoly(double.Parse(txtApproxParameter.Text), 2, new MemStorage());

2.轮廓的关键点

轮廓的关键点是：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。

可以使用cvFindDominantPoints函数来获取轮廓上的关键点，该函数返回的结果一个包含 关键点在轮廓顶点中索引 的序列。再次强调：是索引，不是具体的点。如果要得到关键点的具体坐标，可以用索引到轮廓上去找。

以下代码演示了如何获取轮廓上的关键点：

轮廓的关键点

//得到关键点信息

private void GetDominantPointsInfo(Contour<Point> contour, ref StringBuilder sbContour, ref Image<Bgr, Byte> imageResult, double parameter1, double parameter2, double parameter3, double parameter4, Bgr dominantPointColor)

{

if (contour.Total > 2)

{

MemStorage storage = new MemStorage();

try

{

IntPtr ptrSeq = cvFindDominantPoints(contour.Ptr, storage.Ptr, (int)CV_DOMINANT.CV_DOMINANT_IPAN, parameter1, parameter2, parameter3, parameter4);

Seq<int> seq = new Seq<int>(ptrSeq, storage);

sbContour.AppendFormat("{0}个关键点：\r\n", seq.Total);

for (int i = 0; i < seq.Total; i++)

{

int idx = seq[i]; //关键点序列中存储的数据 是 关键点在轮廓中所处位置的索引

Point p = contour[idx]; //得到关键点的坐标

sbContour.AppendFormat("{0}({1},{2}),", idx, p.X, p.Y);

imageResult.Draw(new CircleF(new PointF(p.X, p.Y), 3), dominantPointColor, -1);

}

sbContour.Append("\r\n");

}

catch (CvException ex)

{

sbContour.AppendFormat("在获取关键点时发生异常，错误描述：{0}，错误源：{1}，错误堆栈：{2}\r\n错误文件：{3}，函数名：{4}，行：{5}，错误内部描述：{6}\r\n", ex.Message, ex.Source, ex.StackTrace, ex.FileName, ex.FunctionName, ex.Line, ex.ErrorStr);

}

catch (Exception e)

{

sbContour.AppendFormat("在获取关键点时发生异常，错误描述：{0}，错误源：{1}，错误堆栈：{2}\r\n", e.Message, e.Source, e.StackTrace);

}

finally

{

storage.Dispose();

}

}

}

3.轮廓的周长和面积

轮廓的周长可以用Contour<Point>.Perimeter属性或者cvArcLength函数来获取。

轮廓的面积可以用Contour<Point>.Area属性或者cvContourArea函数来获取。

4.轮廓的边界框

有三种常见的边界框：矩形、圆形、椭圆。

（1）矩形：在图像处理系统中提供了一种叫Rectangle的矩形，不过它只能表达边垂直或水平的特例；OpenCv中还有一种叫Box的矩形，它跟数学上的矩形一致，只要4个角是直角即可。

如果要获取轮廓的Rectangle，可以使用Contour<Point>.BoundingRectangle属性或者cvBoundingRect函数。

如果要获取轮廓的Box，可以使用Contour<Point>.GetMinAreaRect方法或者cvMinAreaRect2函数。

（2）圆形

如果要获取轮廓的圆形边界框，可以使用cvMinEnclosingCircle函数。

（3）椭圆

如果要获取轮廓的椭圆边界框，可以使用cvFitEllipse2函数。

下列代码演示了如何获取轮廓的各种边界框：

轮廓的边界框

//得到边界框信息

private void GetEdgeInfo(Contour<Point> contour, string edge, ref StringBuilder sbContour, ref Image<Bgr, Byte> imageResult, Bgr edgeColor)

{

if (edge == "Rect")

//矩形

imageResult.Draw(contour.BoundingRectangle, edgeColor, 2);

else if (edge == "MinAreaRect")

{

//最小矩形

MCvBox2D box = CvInvoke.cvMinAreaRect2(contour.Ptr, IntPtr.Zero);

PointF[] points = box.GetVertices();

Point[] ps = new Point[points.Length];

for (int i = 0; i < points.Length; i++)

ps[i] = new Point((int)points[i].X, (int)points[i].Y);

imageResult.DrawPolyline(ps, true, edgeColor, 2);

}

else if (edge == "Circle")

{

//圆形

PointF center;

float radius;

CvInvoke.cvMinEnclosingCircle(contour.Ptr, out center, out radius);

imageResult.Draw(new CircleF(center, radius), edgeColor, 2);

}

else

{

//椭圆

if (contour.Total >= 6)

{

MCvBox2D box = CvInvoke.cvFitEllipse2(contour.Ptr);

imageResult.Draw(new Ellipse(box), edgeColor, 2);

}

else

sbContour.Append("轮廓点数小于6，不能创建外围椭圆。\r\n");

}

}

5.轮廓的矩

我们可以使用Contour<Point>.GetMoments方法或者cvMoments函数方便的得到轮廓的矩集，然后再相应的方法或函数获取各种矩。

特定的矩：MCvMoments.GetSpatialMoment方法、cvGetSpatialMoment函数

中心矩：MCvMoments.GetCentralMoment方法、cvGetCentralMoment函数

归一化中心矩：MCvMoments.GetNormalizedCentralMoment方法、cvGetNormalizedCentralMoment函数

Hu矩：MCvMoments.GetHuMoment方法、McvHuMoments.hu1～hu7字段、cvGetHuMoments函数

以下代码演示了如何获取轮廓的矩：

轮廓的矩

//得到各种矩的信息

private void GetMomentsInfo(Contour<Point> contour, ref StringBuilder sbContour)

{

//矩

MCvMoments moments = contour.GetMoments();

//遍历各种情况下的矩、中心矩及归一化矩，必须满足条件：xOrder>=0; yOrder>=0; xOrder+yOrder<=3;

for (int xOrder = 0; xOrder <= 3; xOrder++)

{

for (int yOrder = 0; yOrder <= 3; yOrder++)

{

if (xOrder + yOrder <= 3)

{

double spatialMoment = moments.GetSpatialMoment(xOrder, yOrder);

double centralMoment = moments.GetCentralMoment(xOrder, yOrder);

double normalizedCentralMoment = moments.GetNormalizedCentralMoment(xOrder, yOrder);

sbContour.AppendFormat("矩（xOrder：{0}，yOrder：{1}），矩：{2:F09}，中心矩：{3:F09}，归一化矩：{4:F09}\r\n", xOrder, yOrder, spatialMoment, centralMoment, normalizedCentralMoment);

}

}

}

//Hu矩

MCvHuMoments huMonents = moments.GetHuMoment();

sbContour.AppendFormat("Hu矩 h1：{0:F09}，h2：{1:F09}，h3：{2:F09}，h4：{3:F09}，h5：{4:F09}，h6：{5:F09}，h7：{6:F09}\r\n", huMonents.hu1, huMonents.hu2, huMonents.hu3, huMonents.hu4, huMonents.hu5, huMonents.hu6, huMonents.hu7);

}

6.轮廓的轮廓树

轮廓树用来描述某个特定轮廓的内部特征。注意：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。

可以用函数cvCreateContourTree来构造轮廓树。

IntPtr ptrTree1 = CvInvoke.cvCreateContourTree(contour1.Ptr, new MemStorage().Ptr, thresholdOfCreate);

7.轮廓的凸包和凸缺陷

轮廓的凸包和凸缺陷用于描述物体的外形。凸包和凸缺陷很容易获得，不过我目前不知道它们到底怎么使用。

如果要判断轮廓是否是凸的，可以用Contour<Point>.Convex属性和cvCheckContourConvexity函数。

如果要获取轮廓的凸包，可以用Contour<Point>.GetConvexHull方法或者cvConvexHull2函数，返回的是包含顶点的序列。

如果要获取轮廓的凸缺陷，可以用Contour<Point>.GetConvexityDefacts方法或者cvConvexityDefects函数。

注意：EmguCv将缺陷的单词拼写错了，defect才是缺陷。

以下代码演示了如何获取轮廓的凸包及凸缺陷：

轮廓的凸包和凸缺陷

//得到凸包及缺陷信息

private void GetConvexInfo(Contour<Point> contour,ref StringBuilder sbContour,ref Image<Bgr,Byte> imageResult)

{

if (!contour.Convex) //判断轮廓是否为凸

{

//凸包

Seq<Point> convexHull = contour.GetConvexHull(ORIENTATION.CV_CLOCKWISE);

//缺陷

Seq<MCvConvexityDefect> defects = contour.GetConvexityDefacts(new MemStorage(), ORIENTATION.CV_CLOCKWISE);

//显示信息

sbContour.AppendFormat("轮廓的凸包有{0}个点，依次为：", convexHull.Total);

Point[] points = new Point[convexHull.Total];

for (int i = 0; i < convexHull.Total; i++)

{

Point p = convexHull[i];

points[i] = p;

sbContour.AppendFormat("{0},", p);

}

sbContour.Append("\r\n");

imageResult.DrawPolyline(points, true, new Bgr(lblConvexColor.BackColor), 2);

MCvConvexityDefect defect;

sbContour.AppendFormat("轮廓有{0}个缺陷，依次为：\r\n", defects.Total);

for (int i = 0; i < defects.Total; i++)

{

defect = defects[i];

sbContour.AppendFormat("缺陷：{0}，起点：{1}，终点：{2}，最深的点：{3}，深度：{4}\r\n", i, defect.StartPoint, defect.EndPoint, defect.DepthPoint, defect.Depth);

}

}

else

sbContour.Append("轮廓是凸的，凸包和轮廓一样。\r\n");

}

8.轮廓的成对几何直方图

成对几何直方图的资料比较少，我是这么理解的。

（1）轮廓保存的是一系列的顶点，轮廓是由一系列线段组成的多边形。对于看起来光滑的轮廓（例如圆），只是线段条数比较多，线段长度比较短而已。实际上，电脑中显示的任何曲线都由线段组成。

（2）每两条线段之间都有一定的关系，包括它们（或者它们的延长线）之间的夹角，两条线段的夹角范围是：(0,180)。

（3）每两条线段上的点之间还有距离关系，包括最短（小）距离、最远（大）距离，以及平均距离。最大距离我用了一个偷懒的计算方法，我把轮廓外界矩形的对角线长度看作了最大距离。

（4）成对几何直方图所用的统计数据包括了夹角和距离。

可以用函数cvCalcPGH来计算轮廓的成对几何直方图，示例代码如下：

轮廓的成对几何直方图

//生成成对几何直方图

Rectangle rect1 = contour1.BoundingRectangle;

float maxDist1 = (float)Math.Sqrt(rect1.Width * rect1.Width + rect1.Height * rect1.Height); //轮廓的最大距离：这里使用轮廓矩形边界框的对角线长度

int[] bins1 = new int[] { 60, 20 };

RangeF[] ranges1 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist1) }; //直方图第0维为角度，范围在(0,180)，第2维为轮廓两条边缘线段的距离

DenseHistogram hist1 = new DenseHistogram(bins1, ranges1);

CvInvoke.cvCalcPGH(contour1.Ptr, hist1.Ptr);

轮廓的匹配

如果要比较两个物体，可供选择的特征很多。如果要判断某个人的性别，可以根据他（她）头发的长短来判断，这很直观，在长发男稀有的年代准确率也很高。也可以根据这个人尿尿的射程来判断，如果射程大于0.50米，则是男性。总之，方法很多，不一而足。

我们在上文中得到了轮廓的这么多特征，它们也可以用于进行匹配。典型的轮廓匹配方法有：Hu矩匹配、轮廓树匹配、成对几何直方图匹配。

1.Hu矩匹配

轮廓的Hu矩对包括缩放、旋转和镜像映射在内的变化具有不变性。Contour<Point>.MatchShapes方法和cvMatchShapes函数可以很方便的实现对2个轮廓间的匹配。

2.轮廓树匹配

用树的形式比较两个轮廓。cvMatchContourTrees函数实现了轮廓树的对比。

3.成对几何直方图匹配

在得到轮廓的成对几何直方图之后，可以使用直方图对比的方法来进行匹配。如果您和我一样忘记了直方图的对比方式，可以看看我写的另一篇文章《颜色直方图的计算、显示、处理、对比及反向投影(How to Use Histogram? Calculate, Show, Process, Compare and BackProject)》。

各种轮廓匹配的示例代码如下：

轮廓的匹配

//开始匹配

private void btnStartMatch_Click(object sender, EventArgs e)

{

//准备轮廓（这里只比较最外围的轮廓）

Image<Bgr, Byte> image1 = new Image<Bgr, byte>((Bitmap)pbImage1.Image);

Image<Bgr, Byte> image2 = new Image<Bgr, byte>((Bitmap)pbImage2.Image);

Image<Gray, Byte> imageGray1 = image1.Convert<Gray, Byte>();

Image<Gray, Byte> imageGray2 = image2.Convert<Gray, Byte>();

Image<Gray, Byte> imageThreshold1 = imageGray1.ThresholdBinaryInv(new Gray(128d), new Gray(255d));

Image<Gray, Byte> imageThreshold2 = imageGray2.ThresholdBinaryInv(new Gray(128d), new Gray(255d));

Contour<Point> contour1 = imageThreshold1.FindContours(CHAIN_APPROX_METHOD.CV_CHAIN_APPROX_SIMPLE, RETR_TYPE.CV_RETR_EXTERNAL);

Contour<Point> contour2 = imageThreshold2.FindContours(CHAIN_APPROX_METHOD.CV_CHAIN_APPROX_SIMPLE, RETR_TYPE.CV_RETR_EXTERNAL);

/*if (contour1.Perimeter / 50 > 2 && contour2.Perimeter / 50 > 2)

{

contour1 = contour1.ApproxPoly(contour1.Perimeter / 50, 2, new MemStorage()); //对轮廓进行多边形逼近（参数设为轮廓周长的1/50）

contour2 = contour2.ApproxPoly(contour2.Perimeter / 50, 2, new MemStorage());

}*/

//进行匹配

string result = "";

if (rbHuMoments.Checked)

result = MatchShapes(contour1, contour2); //Hu矩匹配

else if (rbContourTree.Checked)

result = MatchContourTrees(contour1, contour2); //轮廓树匹配

else if (rbPGH.Checked)

result = MatchPghHist(contour1, contour2); //成对几何直方图匹配

txtResult.Text += result;

}

//Hu矩匹配

private string MatchShapes(Contour<Point> contour1, Contour<Point> contour2)

{

//匹配方法

CONTOURS_MATCH_TYPE matchType = rbHuI1.Checked ? CONTOURS_MATCH_TYPE.CV_CONTOUR_MATCH_I1 : (rbHuI2.Checked ? CONTOURS_MATCH_TYPE.CV_CONTOURS_MATCH_I2 : CONTOURS_MATCH_TYPE.CV_CONTOURS_MATCH_I3);

Stopwatch sw = new Stopwatch();

sw.Start();

//匹配

double matchValue = contour1.MatchShapes(contour2, matchType);

sw.Stop();

double time = sw.Elapsed.TotalMilliseconds;

return string.Format("Hu矩匹配（{0:G}），结果：{1:F05}，用时：{2:F05}毫秒\r\n", matchType, matchValue, time);

}

//轮廓树匹配

private string MatchContourTrees(Contour<Point> contour1, Contour<Point> contour2)

{

//生成轮廓树

double thresholdOfCreate = double.Parse(txtThresholdOfCreateContourTrees.Text); //生成轮廓树的阀值

IntPtr ptrTree1 = CvInvoke.cvCreateContourTree(contour1.Ptr, new MemStorage().Ptr, thresholdOfCreate);

IntPtr ptrTree2 = CvInvoke.cvCreateContourTree(contour2.Ptr, new MemStorage().Ptr, thresholdOfCreate);

//匹配

double thresholdOfMatch = double.Parse(txtThresholdOfMatchContourTrees.Text); //比较轮廓树的阀值

Stopwatch sw = new Stopwatch();

sw.Start();

double matchValue = CvInvoke.cvMatchContourTrees(ptrTree1, ptrTree2, MATCH_CONTOUR_TREE_METHOD.CONTOUR_TREES_MATCH_I1, thresholdOfMatch);

sw.Stop();

double time = sw.Elapsed.TotalMilliseconds;

return string.Format("轮廓树匹配（生成轮廓树的阀值：{0}，比较轮廓树的阀值：{1}），结果：{2:F05}，用时：{3:F05}毫秒\r\n", thresholdOfCreate, thresholdOfMatch, matchValue, time);

}

//成对几何直方图匹配

private string MatchPghHist(Contour<Point> contour1, Contour<Point> contour2)

{

//生成成对几何直方图

Rectangle rect1 = contour1.BoundingRectangle;

float maxDist1 = (float)Math.Sqrt(rect1.Width * rect1.Width + rect1.Height * rect1.Height); //轮廓的最大距离：这里使用轮廓矩形边界框的对角线长度

int[] bins1 = new int[] { 60, 20 };

RangeF[] ranges1 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist1) }; //直方图第0维为角度，范围在(0,180)，第2维为轮廓两条边缘线段的距离

DenseHistogram hist1 = new DenseHistogram(bins1, ranges1);

CvInvoke.cvCalcPGH(contour1.Ptr, hist1.Ptr);

Rectangle rect2 = contour2.BoundingRectangle;

float maxDist2 = (float)Math.Sqrt(rect2.Width * rect2.Width + rect2.Height * rect2.Height);

int[] bins2 = new int[] { 60, 20 };

RangeF[] ranges2 = new RangeF[] { new RangeF(0f, 180f), new RangeF(0f, maxDist2) };

DenseHistogram hist2 = new DenseHistogram(bins2, ranges2);

CvInvoke.cvCalcPGH(contour2.Ptr, hist2.Ptr);

//匹配

Stopwatch sw = new Stopwatch();

sw.Start();

double compareResult;

HISTOGRAM_COMP_METHOD compareMethod = rbHistCorrel.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_CORREL : (rbHistChisqr.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_CHISQR : (rbHistIntersect.Checked ? HISTOGRAM_COMP_METHOD.CV_COMP_INTERSECT : HISTOGRAM_COMP_METHOD.CV_COMP_BHATTACHARYYA));

if (rbHistEmd.Checked)

{

//EMD

//将直方图转换成矩阵

Matrix<Single> matrix1 = FormProcessHist.ConvertDenseHistogramToMatrix(hist1);

Matrix<Single> matrix2 = FormProcessHist.ConvertDenseHistogramToMatrix(hist2);

compareResult = CvInvoke.cvCalcEMD2(matrix1.Ptr, matrix2.Ptr, DIST_TYPE.CV_DIST_L2, null, IntPtr.Zero, IntPtr.Zero, IntPtr.Zero, IntPtr.Zero);

matrix1.Dispose();

matrix2.Dispose();

}

else

{

//直方图对比方式

hist1.Normalize(1d);

hist2.Normalize(1d);

compareResult = CvInvoke.cvCompareHist(hist1.Ptr, hist2.Ptr, compareMethod);

}

sw.Stop();

double time = sw.Elapsed.TotalMilliseconds;

return string.Format("成对几何直方图匹配（匹配方式：{0}），结果：{1:F05}，用时：{2:F05}毫秒\r\n", rbHistEmd.Checked ? "EMD" : compareMethod.ToString("G"), compareResult, time);

}