一、概述

　　案例：使用PCA發現輪廓的中心點位置及輪廓方向

　　PAC API介紹：

PCA(InputArray data, InputArray mean, int flags, int maxComponents = 0);
data：輸入資料，一般是輪廓點集合
mean：資料均值如果為空則自動計算
flags：資料的提供方式，分為行和列兩種
maxComponents：保留多少特徵值（預設保留全部）

PCA的方法：
mean：均值資料，其中第一個資料即為資料集的中心點
eigenvalues：特徵值集合
eigenvectors：特徵向量集合

　　演算法實現步驟：

　　　　1.載入輸入影象

　　　　2.影象灰度化

　　　　3.影象二值化

　　　　4.使用findContours發現輪廓

　　　　5.迴圈繪製輪廓

　　　　6.迴圈使用PCA檢測每個輪廓

　　　　　　6.1.初始化PCA

　　　　　　6.2.找到輪廓中心點

　　　　　　6.3.繪製輪廓中心點

　　　　　　6.4.根據特徵向量及特徵值找到向量座標

　　　　　　6.5.繪製向量直線

　　　　　　6.6.找到輪廓方向角度

二、程式碼示例

  Mat src = imread(filePath);
    if(src.empty()){
        qDebug()<<"輸入影象為空";
        return;
    }
    imshow(
 
"src",src);

    Mat gray,binary;
    cvtColor(src,gray,COLOR_BGR2GRAY);//灰度化
    //二值化
    threshold(gray,binary,0,255,THRESH_BINARY|THRESH_OTSU);
    imshow("binary",binary);
    //發現輪廓
    vector<vector<Point>> contours;
    vector<Vec4i> heri;
    findContours(binary,contours,RETR_LIST,CHAIN_APPROX_NONE);
    Mat result 
 
= src.clone();//clone一個副本
    for(size_t i = 0;i<contours.size();i++){
        //過濾掉面積較小的區域
        double area = contourArea(contours[i]);
        if (area > 1e5 || area < 1e2) continue;
        drawContours(result,contours,i,Scalar(0,0,255),3,LINE_8);//繪製輪廓
        pcaAnalyze(contours[i],result);
    }
    imshow("result",result);

}

/**
 * 使用PCA分析輪廓，找到中心點位置以及輪廓方向
 * @brief Face_PCA::pcaAnalyze
 * @param points
 * @param result
 */
void Face_PCA::pcaAnalyze(vector<Point> &points,Mat &result){
    int size = points.size();
    Mat data_pts = Mat(size,2,CV_64FC1);
    for(int i=0;i<size;i++){
        data_pts.at<double>(i,0) = points[i].x;
        data_pts.at<double>(i,1) = points[i].y;
    }
    qDebug()<<"開始pca分析";
    //使用PCA進行分析
    PCA pca_analyze(data_pts,Mat(),PCA::DATA_AS_ROW);//例項化PCA
    //找出輪廓的圓心：均值資料的第一個值即為資料中心點
    Point center = Point(pca_analyze.mean.at<double>(0,0),pca_analyze.mean.at<double>(0,1));
    //繪製輪廓中心點
    circle(result,center,3,Scalar(0,0,255),3,LINE_8);
    qDebug()<<"準備利用pca尋找輪廓方向";
    //找出並繪製出輪廓方向
    vector<Point2d> vecs(2);//特徵向量
    vector<double> vals(2);//特徵值
    for(int i=0;i<2;i++){
        vals[i] = pca_analyze.eigenvalues.at<double>(i,0);
        vecs[i] = Point2d(pca_analyze.eigenvectors.at<double>(i,0),pca_analyze.eigenvectors.at<double>(i,1));
    }

    Point p1 = center+ 0.02*Point(static_cast<int>(vecs[0].x*vals[0]), static_cast<int>(vecs[0].y*vals[0]));
    Point p2 = center - 0.05*Point(static_cast<int>(vecs[1].x*vals[1]), static_cast<int>(vecs[1].y*vals[1]));
    line(result,center,p1,Scalar(0,255,0),3,LINE_8);
    line(result,center,p2,Scalar(0,255,0),3,LINE_8);

    double angle = atan2(vecs[0].y,vecs[0].x);
    qDebug()<<"角度："<<180*(angle/CV_PI);

三、影象演示