C++ OpenCV-BW图像PCA分析-面积与形状-是否已经实现？

在bw图像上检测对象的形状。对象为黑色连续形状，背景为白色。 我们使用PCA（）获取对象方向并对齐对象。当前，形状本身（轮廓上的点）是opencv PCA实现的输入。这通常效果很好。但有时在对象边界上会有小的污垢，导致形状绕过污垢。这会在一侧产生更多的点和更多的权重，从而稍微转动对象

想法：我们使用物体的面积作为PCA分析的输入，而不是轮廓。这里的问题是，检查所有点是否在轮廓内，然后将其用于PCA会降低应用程序的速度。这部分速度将慢52352倍

新方法：我们在图像中随机选取点，检查它们是否在形状内，如果在形状内，则将它们用于PCA。我们必须看看是否能从这种方法中获得所需的一致质量

opencv中是否已经有类似的实现，它使用面积而不是形状？ 另一种方法是在对象上放置网格，并使用对象内部的网格点进行PCA。 是否已经有类似的东西可以使用，或者是否需要快速实现类似的东西

---

在对象周围画直线不是一个选项。

可以更改的参数很少，这可能会改进系统

首先是用于对图像进行二值化的阈值。我不知道你的应用程序是关于什么的，但是你可以使用其他的颜色系统，或者通过cromacity标准化你的图像，然后应用新的阈值

另一个方面是排除面积比预期大或小的形状（轮廓）

---

>加起来，在检测轮廓之前，你可以使用模糊滤镜。

< P>因为我们已经收到了关于你的问题的非常有限的信息（张贴图像会有很大帮助），而且你似乎不知道噪声的概率密度函数，你最好的办法是考虑噪声是高斯的。 因此，根据您的直觉，我建议的方法是取位于对象内部的几个随机点（我指的是统计相关但不会增加那么多的计算时间），然后计算PCA

在迭代循环中重复此过程，并将PCA应用于对象形状时得到的旋转角度存储在某处

一旦你们有了足够的点，停止，计算旋转角度的平均值：这是对真实角度的一个不错的估计。还要计算标准偏差，以获得估计质量的度量。通过“足够的点”，你可以认为，根据中心极限定理，30点通常被认为是代表底层人口的“足够”。

---

如果您愿意，您可以在许多方面对该方法进行改进，例如，一旦收集了足够多的点，就可以对真实角度进行稳健估计。这一切都取决于你手头的数据……把我的建议作为一个起点。

我不知道噪音看起来如何，但当你说“小污垢”时，我认为可能只有几个像素比物体本身小得多，但它可能附着在物体上。为了减少这种噪声，可以对二值图像执行打开（形态学）

---

您可以共享的任何样本图像？以及代码的相关部分获取轮廓的傅里叶描述符，将高于选定阈值的频率分量设置为零，然后进行傅里叶逆变换。通过这种方式，您可以获得轮廓的平滑版本，您可以对其应用PCA。请看一个很好的演示。