基于Python做形状相似性判断的实现方法_Python

引言

在计算机视觉领域，形状相似性判断是图像识别、目标检测、医学影像分析等应用的核心技术。本文将系统解析基于python的形状相似性判断方法，结合opencv等工具实现多种算法，并通过代码示例展示具体实现。

核心方法与实现

1. hu矩——旋转缩放不变的形状描述

原理：通过计算图像的七个不变矩（平移、旋转、缩放不变），量化形状的全局特征。

python实现：

import cv2
import numpy as np

# 读取图像并二值化
image = cv2.imread('shape.png', cv2.imread_grayscale)
_, binary = cv2.threshold(image, 127, 255, cv2.thresh_binary)

# 提取轮廓
contours, _ = cv2.findcontours(binary, cv2.retr_external, cv2.chain_approx_simple)

# 计算hu矩
moments = cv2.moments(contours[0])
hu_moments = cv2.humoments(moments).flatten()

# 相似度计算（欧氏距离）
def compare_hu(hu1, hu2):
    return np.linalg.norm(hu1 - hu2)

# 示例比较
hu2 = cv2.humoments(cv2.moments(contours[1])).flatten()
similarity = compare_hu(hu_moments, hu2)
print(f"hu矩相似度：{1/(1+similarity):.2f}")  # 值越大越相似

2. 形状上下文——局部特征匹配利器

原理：通过量化形状边缘点的距离-角度分布，构建形状直方图进行匹配。

python实现：

from skimage.measure import find_contours
import numpy as np

# 提取轮廓点
contour = find_contours(binary, level=0.8)[0]

# 构建形状上下文描述符
def shape_context(contour, n_bins=5):
    n_points = len(contour)
    dist_matrix = np.sqrt(np.sum((contour[:, np.newaxis] - contour)**2, axis=-1))
    angle_matrix = np.arctan2(contour[:, 0][:, np.newaxis] - contour[:, 0], 
                             contour[:, 1][:, np.newaxis] - contour[:, 1])
    
    # 构建直方图
    hist = np.zeros((n_points, n_bins, n_bins))
    for i in range(n_points):
        dist_bins = np.linspace(0, dist_matrix[i].max(), n_bins+1)
        angle_bins = np.linspace(-np.pi, np.pi, n_bins+1)
        hist[i] = np.histogram2d(dist_matrix[i], angle_matrix[i], 
                                bins=[dist_bins, angle_bins])[0]
    return hist.flatten()

# 相似度计算（余弦相似度）
from scipy.spatial.distance import cosine
desc1 = shape_context(contour)
desc2 = shape_context(another_contour)
similarity = 1 - cosine(desc1, desc2)

3. hausdorff距离——点集匹配度量

原理：计算两个点集之间的最大最小距离。

python实现：

import cv2

# 创建hausdorff距离提取器
matcher = cv2.createhausdorffdistanceextractor()

# 计算轮廓间距离
d1 = matcher.computedistance(contours[0], contours[1])
d2 = matcher.computedistance(contours[1], contours[0])
hausdorff = max(d1, d2)

print(f"hausdorff距离：{hausdorff:.2f}（值越小越相似）")

4. 特征点匹配——sift/orb方案

原理：通过关键点检测与特征描述符匹配实现形状识别。

python实现：

import cv2

# 创建sift检测器
sift = cv2.sift_create()

# 检测关键点与描述符
kp1, desc1 = sift.detectandcompute(image, none)
kp2, desc2 = sift.detectandcompute(another_image, none)

# 特征匹配
bf = cv2.bfmatcher(cv2.norm_l2)
matches = bf.match(desc1, desc2)

# 按距离排序
matches = sorted(matches, key=lambda x: x.distance)
similarity = len(matches)  # 匹配点数量作为相似度

方法对比与选择建议

方法	优点	缺点	适用场景
hu矩	计算简单，全局特征	对局部变形敏感	规则形状识别
形状上下文	局部特征鲁棒	计算复杂度高	复杂轮廓匹配
hausdorff	严格几何度量	对噪声敏感	精确点集匹配
sift/orb	尺度旋转不变	计算量大	复杂场景目标识别

实战案例：小麦籽粒分类

通过提取轮廓并计算hu矩，结合机器学习实现小麦品种分类：

from sklearn.svm import svc
from sklearn.metrics import accuracy_score

# 提取多个样本的hu矩
hu_features = []
for sample in samples:
    moments = cv2.moments(cv2.findcontours(...)[0])
    hu = cv2.humoments(moments).flatten()
    hu_features.append(hu)

# 训练分类器
clf = svc(kernel='linear')
clf.fit(hu_features, labels)

# 预测与评估
preds = clf.predict(test_features)
print(f"准确率：{accuracy_score(test_labels, preds):.2f}")