如何获得物体的主要方向？
问题来源为网友提供的资料，原文地址为：《Object Orientation, Principal Component Analysis & OpenCV》
问题描述：
对于这样的图像（2副，采用了背投光），如何获得上面工件的主要方向
主要思路：
1、分别获得每个工件的轮廓；
2、处理每个轮廓，
采用pca(主成分分析）方法，获得所有轮廓点的集合的中点，主要方向等信息；
3、绘图并返回结果。
注：pca相关函数请查看
代码略解：
1、读入图片，寻找轮廓；
//读入图像，转换为灰度
Mat img = imread( "e:/sandbox/pca1.jpg");
Mat bw;
cvtColor(img, bw, COLOR_BGR2GRAY);
//阈值处理
threshold(bw, bw, 150, 255, CV_THRESH_BINARY);
//寻找轮廓
vector <vector <Point > > contours;
vector <Vec4i > hierarchy;
findContours(bw, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);
Mat img = imread( "e:/sandbox/pca1.jpg");
Mat bw;
cvtColor(img, bw, COLOR_BGR2GRAY);
//阈值处理
threshold(bw, bw, 150, 255, CV_THRESH_BINARY);
//寻找轮廓
vector <vector <Point > > contours;
vector <Vec4i > hierarchy;
findContours(bw, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);
2、首先以大小筛选轮廓；
//轮廓分析，找到工件
for (size_t i = 0; i < contours.size(); ++i)
{
//计算轮廓大小
double area = contourArea(contours[i]);
//去除过小或者过大的轮廓区域（科学计数法表示）
if (area < 1e2 || 1e5 < area) continue;
//绘制轮廓
drawContours(img, contours, i, CV_RGB( 255, 0, 0), 2, 8, hierarchy, 0);
//寻找每一个轮廓的方向
getOrientation(contours[i], img);
}
for (size_t i = 0; i < contours.size(); ++i)
{
//计算轮廓大小
double area = contourArea(contours[i]);
//去除过小或者过大的轮廓区域（科学计数法表示）
if (area < 1e2 || 1e5 < area) continue;
//绘制轮廓
drawContours(img, contours, i, CV_RGB( 255, 0, 0), 2, 8, hierarchy, 0);
//寻找每一个轮廓的方向
getOrientation(contours[i], img);
}
3、单独处理每个轮廓，分析其主要方向，绘制结果
//获得构建的主要方向
double getOrientation(vector <Point > &pts, Mat &img)
{
//构建pca数据。这里做的是将轮廓点的x和y作为两个维压到data_pts中去。
Mat data_pts = Mat(pts.size(), 2, CV_64FC1); //使用mat来保存数据，也是为了后面pca处理需要
for ( int i = 0; i < data_pts.rows; ++i)
{
data_pts.at < double >(i, 0) = pts[i].x;
data_pts.at < double >(i, 1) = pts[i].y;
}
//执行PCA分析
PCA pca_analysis(data_pts, Mat(), CV_PCA_DATA_AS_ROW);
//获得最主要分量，在本例中，对应的就是轮廓中点，也是图像中点
Point pos = Point(pca_analysis.mean.at < double >( 0, 0),pca_analysis.mean.at < double >( 0, 1));
//存储特征向量和特征值
vector <Point2d > eigen_vecs( 2);
vector < double > eigen_val( 2);
for ( int i = 0; i < 2; ++i)
{
eigen_vecs[i] = Point2d(pca_analysis.eigenvectors.at < double >(i, 0),pca_analysis.eigenvectors.at < double >(i, 1));
eigen_val[i] = pca_analysis.eigenvalues.at < double >(i, 0); //注意，这个地方原代码写错了
}
//在轮廓/图像中点绘制小圆
circle(img, pos, 3, CV_RGB( 255, 0, 255), 2);
//计算出直线，在主要方向上绘制直线
line(img, pos, pos + 0. 02 * Point(eigen_vecs[ 0].x * eigen_val[ 0], eigen_vecs[ 0].y * eigen_val[ 0]) , CV_RGB( 255, 255, 0));
line(img, pos, pos + 0. 02 * Point(eigen_vecs[ 1].x * eigen_val[ 1], eigen_vecs[ 1].y * eigen_val[ 1]) , CV_RGB( 0, 255, 255));
//返回角度结果
return atan2(eigen_vecs[ 0].y, eigen_vecs[ 0].x);
}
double getOrientation(vector <Point > &pts, Mat &img)
{
//构建pca数据。这里做的是将轮廓点的x和y作为两个维压到data_pts中去。
Mat data_pts = Mat(pts.size(), 2, CV_64FC1); //使用mat来保存数据，也是为了后面pca处理需要
for ( int i = 0; i < data_pts.rows; ++i)
{
data_pts.at < double >(i, 0) = pts[i].x;
data_pts.at < double >(i, 1) = pts[i].y;
}
//执行PCA分析
PCA pca_analysis(data_pts, Mat(), CV_PCA_DATA_AS_ROW);
//获得最主要分量，在本例中，对应的就是轮廓中点，也是图像中点
Point pos = Point(pca_analysis.mean.at < double >( 0, 0),pca_analysis.mean.at < double >( 0, 1));
//存储特征向量和特征值
vector <Point2d > eigen_vecs( 2);
vector < double > eigen_val( 2);
for ( int i = 0; i < 2; ++i)
{
eigen_vecs[i] = Point2d(pca_analysis.eigenvectors.at < double >(i, 0),pca_analysis.eigenvectors.at < double >(i, 1));
eigen_val[i] = pca_analysis.eigenvalues.at < double >(i, 0); //注意，这个地方原代码写错了
}
//在轮廓/图像中点绘制小圆
circle(img, pos, 3, CV_RGB( 255, 0, 255), 2);
//计算出直线，在主要方向上绘制直线
line(img, pos, pos + 0. 02 * Point(eigen_vecs[ 0].x * eigen_val[ 0], eigen_vecs[ 0].y * eigen_val[ 0]) , CV_RGB( 255, 255, 0));
line(img, pos, pos + 0. 02 * Point(eigen_vecs[ 1].x * eigen_val[ 1], eigen_vecs[ 1].y * eigen_val[ 1]) , CV_RGB( 0, 255, 255));
//返回角度结果
return atan2(eigen_vecs[ 0].y, eigen_vecs[ 0].x);
}
结果展示：
感谢关注，希望有所帮助。
提供的这个gif录屏软件，非常好用。
目前方向：图像拼接融合、图像识别 联系方式：jsxyhelu@foxmail.com
