1. 引子
图像识别可通过轮廓，直方图等方式实现，像人脸识别这种复杂应用，实现它的方法很多，通常是基础方法的改进版与机器学习组合。
基于轮廓的识别，需要把图像拆分通道，寻找边缘，转换为轮廓（多边形逼近，特性概括等），然后进行轮廓匹配（图像与图像匹配，图像与模板匹配）。
程序员根据不同情境，选择适合图像抽象方法和匹配方法。
轮廓的匹配主要是解决大小，位置，旋转角度，精度不同图像间的匹配问题。方法包括轮廓矩，成对几何直方图，凸包和凸缺陷，等级匹配等等，下面以轮廓矩为例，看看它是如何实现的，同时也了解一下矩在图像处理中的应用（基于统计的方法）。
2. 是什么矩（moment）
数学定义：实函数相对于值c的n阶矩为
从上述公式可以看到，它就是一个加了权重的积分，而权重是(x-c)n，其中n是阶数（n阶矩），如果把它想成一个平面直角系中，c是x轴上的一点，(x-c)n是各个x点相对于c点值的n次方。以下是个积分的图示，只要想象一下，它的每个小方块再乘上权重：(xi-c)^n即可得到矩。
轮廓处理中用到的矩，是它在统计学中的应用。
以上公式是一元的情况，扩展到图片所在的二元，想象我们有一个图像矩阵，经过了寻找边缘，转换轮廓之后，矩阵中每个值点f(x,y)的值或为0（不是轮廓点），或为1（是轮廓点），当f(x,y)为0时，该积分项也为0，可以不计算，因此，对我们有意义的只有f(x,y)=1的n个点，即轮廓点。在后面公式中记为I(x,y)，x,y为其在图中的坐标，c点扩展到二元，可以视为轮廓的中心点，我们求得的所谓n阶中心矩，就如上述公式所示，积分的权重是轮廓上各点相对于中心位置c的n次方。
此时我们可以得到一些统计规律，比如：轮廓边界长度（零阶矩），x/y方向上的均值（即质心，由一阶矩求得），方差（由二阶中心矩求得）,形状特性（Hu矩）
3. 常用的矩
1) 空间矩（spatial moment）
i. 用途
最简单地轮廓比较，只能用于对比位置，大小，角度完全一致的轮廓。
ii. 公式
mpq表示图像的（p+q）阶矩，一般计算所有3阶的矩（p+q<=3）。其中 I(x,y) 是象素点 (x, y) 的值，一般是1，n是轮廓上点的个数，p和q分别是x维度和y维度上的矩，即m00,m10,m01…m03。
零阶矩m00是轮廓上点的简单累加，即轮廓上有多少个点 。
一阶矩m10，m01分别是x和y方向上的累加
iii. OpenCV相关函数
cvContoursMoments()
cvGetSpatialMoment()
2) 中心矩（central moment）
i. 用途
xavg和yavg由一阶矩和零阶矩的比值算出（见公式），它是重心坐标，中心矩即是根据x,y与重心的相对位置求取的矩，它使得结果与图像相对于x,y轴的位置无关（与平移无关）。
ii. 公式
iii. OpenCV相关函数
cvMoments()cvGetCentralMoment()
3) 归一化的中心矩
i. 用途
使用m00的幂对中心矩归一化，使得结果与图像大小无关
ii. 公式
iii. OpenCV相关函数
cvGetNormalizedCentralMoment()
4) Hu不变矩
i. 用途
Hu矩是归一化中心矩的线性组合，它对于缩放，旋转，镜像映射具有不变性。
ii. 公式
iii. OpenCV相关函数
cvGetHuMents()cvMatchShapes()
4. 示例代码
opencv/samples/cpp/tutorial_code/ShapeDescriptors/moments_demo.cpp
