企业官网建设流程全解析

做图像处理的人应该都遇到过这种问题：拿到一张二值图，想用最简单的方式把里面的目标“描述”出来，让它变成一组能算、能比、能存的数据。边界跟踪（Boundary Tracking）和链代码（Chain Code）就是干这个的——把目标轮廓转成有序点集，再把点集转成方向序列；在此基础上叠加一个主成分描述（PCA），你还能快速提取主轴方向、长宽比这类全局形状特征。这篇文章把这三块的原理、步骤和一套完整可跑的MATLAB代码一次性讲清楚。无论你是正在学数字图像处理课程，还是需要在项目里做形状识别和特征提取，这条链路都值得亲手过一遍。

1. 图像表示这件事，到底在图什么

1.1 从像素矩阵到结构化描述

最直观的图像“表示”就是像素矩阵本身，但实战里它非常不好用。你可以想象一个20×20的“L”形目标，只要整体平移几个像素，整个矩阵里的数值分布就全变了，像素级去比对会让匹配彻底失效。但目标的几何本质——边界的相对位置、轮廓的粗细长短、拐角的形状——其实一点都没变。

所以图像表示的核心目标，是把“像素长什么样”转化成“目标的结构是什么样”。在经典的数字图像处理框架里，这个转化通常分三个层次：

• 第一层是区域/像素集合，适合做填充、腐蚀、膨胀这类形态学操作，但不适合直接量化比较。
• 第二层是边界表示，用一组有序点列把区域轮廓表达成闭合曲线，数据量大幅压缩，同时保留了形状的拓扑顺序。
• 第三层是描述子，比如链代码、傅里叶描述子、各类矩，它们把边界点列提炼成更紧凑的数值特征，这才适合做识别和分类。

边界跟踪解决的就是从第一层到第二层的第一步，链代码属于第三层里最经典的方向描述子，而主成分描述则站在第三层更全局的角度，把整条边界当成一个二维点云来提取骨架。把这三件事串起来，才算构成一条完整的“图像表示链路”。

1.2 这条链路能用在哪儿

这套组合拳的应用范围很广。字符识别里靠链代码提取笔画的局部方向变化；细胞形态分析用PCA计算细胞长轴角度和边界紧致度；零件缺陷检测里通过主轴比例快速筛掉明显变形的目标；手势轮廓匹配则既用链码做局部形状对比，又用PCA做整体姿态估计。本文讲的每一步都可以单独使用，但放在一起时，你能得到一个非常实用的形状特征提取流程：先跟踪边界，再算链码，最后用PCA兜底拿全局参数。

2. 边界跟踪：从像素海里牵出轮廓线

2.1 先定两个约定：邻域和连通性

边界跟踪的第一步不是写代码，而是明确“什么样的像素算相邻”。4邻域只看上下左右，8邻域把四个对角也算进去。绝大多数形状描述场景都会选用8邻域，因为斜对角关系在很多细小结构里是真实相邻的，只用4邻域会把轮廓拆得支离破碎。

但8邻域有个著名的小坑：如果背景和前景都按8连通处理，有些细小的三角形空隙会被错误地“桥接”起来，导致内外边界判断模糊。我的习惯是：前景目标用8连通追踪边界，与此同时在预处理阶段先用imfill填充孔洞，避免内边界也被追出来。后面的代码里你也会看到这一步。

2.2 Moore边界跟踪：贴着墙走一圈

边界跟踪算法里，Moore算法是最经典也最直观的一种。你可以把它想象成“摸着墙走”：把前景目标当成一栋房子，边界上的像素是墙，你站在这面墙上，左手始终贴着墙，沿着墙走一圈回到起点，这一路踩过的位置就是边界点列。它的核心逻辑分几步：

1. 找起点。按行优先顺序扫描二值图，遇到第一个前景像素就作为起点。这个起点左上方的位置必然是背景，因此可以确定初始“进入方向”。
2. 从当前点出发，按固定方向顺序（比如顺时针）扫描8邻域，找到第一个前景像素，它就是下一个边界点。
3. 关键细节：记录刚刚是从哪个方向找到这个点的，下一次从这个方向的下一个位置开始搜索，而不是每次都从头扫。否则算法会在相邻像素之间来回抖动，甚至绕进死循环。
4. 终止判断：当搜索到的下一个点回到起点时，把起点补到点列末尾形成闭合边界，结束。

这段逻辑可以用很短的MATLAB代码还原，我见过不少课程作业就是这么写的：

function pts = mooreTraceSimple(bw) % 简化版Moore边界跟踪，适合单个连通前景目标的二值图 % bw: 前景1，背景0 % 输出 pts: Mx2，格式[行,列]，首尾重复（闭合） [rows, cols] = size(bw); startPt = []; for i = 1:rows for j = 1:cols if bw(i,j) == 1 startPt = [i, j]; break; end end if ~isempty(startPt), break; end end if isempty(startPt) error('二值图中没有前景像素'); end % 8邻域搜索方向，按顺时针排列 dirs = [0 1; 1 1; 1 0; 1 -1; 0 -1; -1 -1; -1 0; -1 1]; % 索引对应：1=东,2=东南,3=南,4=西南,5=西,6=西北,7=北,8=东北 pts = startPt; cur = startPt; entryIdx = 5; % 起点的左侧是背景，认为从“西”方向进入起点 while true startIdx = mod(entryIdx, 8) + 1; foundIdx = -1; for k = 0:7 idx = mod(startIdx + k - 1, 8) + 1; nr = cur(1) + dirs(idx, 1); nc = cur(2) + dirs(idx, 2); if nr >= 1 && nr <= rows && nc >= 1 && nc <= cols && bw(nr, nc) == 1 foundIdx = idx; break; end end if foundIdx < 0 error('边界跟踪中断：目标可能不是单连通区域'); end nxt = [cur(1) + dirs(foundIdx,1), cur(2) + dirs(foundIdx,2)]; if isequal(nxt, startPt) && size(pts,1) > 1 pts = [pts; startPt]; % 闭合 break; end pts = [pts; nxt]; cur = nxt; entryIdx = foundIdx; if size(pts,1) > rows*cols error('边界跟踪超时，检查图像是否干净'); end end end

这段代码我建议只用来理解原理，真正做项目时不要手写。因为它对噪声和复杂连通域的处理能力有限，一旦目标带孔洞或边界有断口，很容易提前闭合或死循环。

2.3 工程实现直接用bwboundaries

MATLAB自带一个叫bwboundaries的函数，专门干这件事。它的好处是内部实现经过优化，能同时处理多个连通域，并且区分内外边界。基本用法是：

boundaries = bwboundaries(bw, 8);

参数8表示按8连通追踪，返回值是一个cell数组，每个元素是一个N×2的矩阵，保存了一条边界的坐标点。这里的坐标格式是[行, 列]，即第一列是row，第二列是col。很多人第一次画边界时直接plot(B)，结果图是转置的——因为你把row当成了x轴。正确画法是：

imshow(bw); hold on; plot(B(:,2), B(:,1), 'r-', 'LineWidth', 1.5);

这个坑特别常见，后面还会强调。

3. 链代码：把坐标序列换成方向序列

3.1 方向编码表和计算例子

边界点列虽然比像素矩阵紧凑，但直接拿坐标去做比较还是太笨。链代码的思路是：不记录“我在哪个点”，而是记录“我从上一个点到这个点是朝哪个方向走的”。对于8邻域边界，方向只有8个，每个方向用一个0到7的数字表示。

以我的代码为例，方向码定义如下：

这个表最需要注意的是坐标约定。在MATLAB图像矩阵里，行方向是向下的，所以“北”是行差-1，“南”是行差+1。如果你把行列理解成y/x，会把整个链码的方向全部搞反。

举个简单例子，一个直角三角形轮廓的三个点按顺序为A(row=1,col=2)、B(row=1,col=3)、C(row=2,col=2)。从A出发：

• A→B：行差0，列差+1，方向码0（东）
• B→C：行差+1，列差-1，方向码5（西南）
• C→A：行差-1，列差0，方向码2（北）

所以链码是[0 5 2]。只看这3个数字，你就能还原出这个三角形的走向，这就是方向序列比坐标序列强大的地方。

3.2 归一化之后才能拿去比较

链码有一个天然优点：它只记录相对方向，因此平移不会影响它。但还有两个棘手的问题。

第一个问题是起点不同。同一个轮廓，从不同的边界点开始记录，得到的链码序列完全不同。解决办法是“起点归一化”：把链码看成循环序列，枚举所有可能的循环移位，取字典序最小的那个作为标准形式。实现技巧是把链码首尾相接成双倍长度，再扫描n个长度为n的子序列。

第二个问题是旋转。一个矩形旋转30度之后，边界上的每个方向码都会整体加上同一个常数（模8），直接比对肯定失败。解决办法是“一阶差分链码”：计算相邻方向码的变化量，也就是方向码从一步到下一步转了多少。因为整体旋转相当于给每个方向码加常数，而差分会把常数抵消掉。

一阶差分的MATLAB实现很简洁，有一个小技巧：

function fd = chainFirstDifference(chain) if isempty(chain) fd = []; return; end % 把链码尾部和首部连起来，保证闭环差分 fd = mod(diff([chain, chain(1)]), 8); end

注意这里的“闭环”细节很重要。如果链码已经由闭合边界点列生成，最后一个方向码本来就是“最后一点返回到第一点”的方向，那么必须把这个尾巴接回头部再差分，否则会丢掉首尾之间的旋转信息。

3.3 毛刺与噪声是链码的天敌

链码对噪声非常敏感。边界上只要有一个锯齿状毛刺，链码就会多出两个甚至三个方向的抖动，表现为局部方向码剧烈跳变，序列长度也会变长。更麻烦的是，这种毛刺会扰乱一阶差分，让原本干净的特征变得很不稳定。

我的处理顺序是：先对二值图做形态学开运算，去掉孤立小点和细长凸起；再做闭运算，填平细小凹坑；最后才做边界跟踪。如果只想保留轮廓的大致走向，还可以在拿到边界点列之后做一次平滑，比如用三点的移动平均，但要注意别把真正的角点磨圆。对于追求更高精度的场景，可以用边缘检测先得到亚像素轮廓，再做链码，效果会好很多，但那是另一个话题了。

4. 主成分描述：给边界算一个“骨架”

4.1 PCA在这里到底干了什么

链代码擅长描述边界的局部走向，但如果你想快速知道“这个目标整体朝哪个方向伸展开、长宽比大概是多少”，链代码就绕远了。这时候用主成分分析（PCA）最合适。

思路很简单：把边界点集看成一个二维点云。PCA去计算这个点云沿哪个方向方差最大，那个方向就是主轴；第二个方向与主轴正交，就是次轴。方差的大小对应了目标在主轴/次轴方向上的展开程度。得到的特征向量给出方向，特征值给出延展量，合在一起就是形状的“骨架”。

数学上，需要先把边界点坐标减去质心，得到去均值点云，然后构造2×2的协方差矩阵，再对协方差矩阵做特征值分解。最大特征值对应的特征向量就是主轴方向。

4.2 和中心矩的等价关系

这里有个很漂亮的等价关系：对于二维边界点云，协方差矩阵的四个元素本质上就是二阶中心矩。设协方差矩阵为

C = [σxx σxy; σxy σyy]

那么主轴方向角度θ有一个闭式解：

θ = 0.5 * atan2d(2*σxy, σxx - σyy)

同时，对去均值点云做SVD得到的右奇异向量，和协方差矩阵的特征向量完全一致。所以在MATLAB里，我通常直接对去均值点云做SVD，而不是先算协方差再调用eig。原因有两个：SVD数值上更稳定；奇异值直接描述了主轴/次轴方向的离散程度，比特征值更直观。

一个需要特别处理的细节是：SVD得到的特征向量符号不唯一，主轴角度可能偶尔相差180度。解决办法是把角度用mod归一化到[0,180)区间。这个角度归一化不影响主轴本质，因为一维主轴方向的正反端是等价的。

4.3 描述子的构成与实用建议

一个完整的PCA形状描述子可以包含这些量：

• 质心坐标：告诉目标在图像中的位置
• 主轴角度：目标整体朝向
• 主轴长度：目标在主轴方向上的跨度
• 次轴长度：目标在次轴方向上的跨度
• 长短轴比：目标的长宽比例，这是一个缩放不变量
• 奇异值比：相当于用点云标准差来定义的长短轴比，对离群点更稳健

实际做识别的时候，可以直接把这些量拼成一个特征向量，比如[角度, 长短轴比, 奇异值比]，然后喂给分类器。要注意的是，当目标接近圆形时，长短轴比接近1，主轴角度的意义就不大了，这时应该侧重边界描述子或纹理特征，别硬用PCA角度。

5. MATLAB完整流程与代码拆解

5.1 可运行主程序

下面是完整脚本，请新建一个脚本文件连续粘贴运行。

%% 图像表示：边界跟踪 + 链代码 + 主成分描述 % 演示：二值形状的紧凑表示和特征提取 % 环境：MATLAB R2020b及以上 clc; clear; close all; %% 0. 构造测试图（也可以用真实图片替换） img = zeros(256, 256); img(60:190, 50:220) = 1; img = imrotate(img, 30, 'crop'); % 旋转30度，考察旋转不变性 bw = img > 0.5; bw = imfill(bw, 'holes'); % 填充孔洞 %% 1. 边界跟踪 boundaries = bwboundaries(bw, 8); if isempty(boundaries) error('二值图中没有前景目标'); end lenList = cellfun(@(x) size(x,1), boundaries); [~, idx] = max(lenList); % 取最长边界作为主目标 B = boundaries{idx}; fprintf('边界点数：%d\n', size(B,1)); %% 2. 链代码 B_closed = [B; B(1,:)]; % 闭合补点 chain = boundaryToChainCode(B_closed); fprintf('原始链码长度：%d\n', numel(chain)); normChain = normalizeChainStart(chain); % 起点归一化 fd = chainFirstDifference(normChain); % 旋转归一化（一阶差分） %% 3. 主成分描述 desc = pcaShapeDescriptor(B); fprintf('主轴角度：%.2f°\n', desc.axisAngle); fprintf('主轴长度：%.2f, 次轴长度：%.2f\n', desc.axisLengths(1), desc.axisLengths(2)); fprintf('长短轴比(投影跨度)：%.3f\n', desc.axisRatio); fprintf('长短轴比(奇异值)：%.3f\n', desc.singularRatio); %% 4. 可视化 figure('Name','边界与主轴'); imshow(bw); hold on; plot(B(:,2), B(:,1), 'r-', 'LineWidth', 1.6); plot(B(1,2), B(1,1), 'go', 'MarkerSize', 10, 'MarkerFaceColor', 'g'); drawShapeAxis(desc, 120); % 画主轴和次轴 %% ================= 子函数 ================= function chain = boundaryToChainCode(B) % 输入：有序边界点B，格式[行,列]，首尾闭合 % 输出：8方向链码 chain: 1x(N-1) lut = [3 2 1; 4 -1 0; 5 6 7]; % lut(dr+2, dc+2) d = diff(B); if any(abs(d(:)) > 1) warning('边界存在非8邻域跳变，链码可能不准'); end n = size(d, 1); chain = zeros(1, n); for k = 1:n chain(k) = lut(d(k,1)+2, d(k,2)+2); end end function normChain = normalizeChainStart(chain) % 链码的循环字典序最小移位（起点归一化） n = numel(chain); if n <= 1 normChain = chain; return; end dchain = [chain, chain]; % 环形展开 bestIdx = 1; for s = 2:n seg = dchain(s:s+n-1); segBest = dchain(bestIdx:bestIdx+n-1); cmpPos = find(seg ~= segBest, 1); if ~isempty(cmpPos) && seg(cmpPos) < segBest(cmpPos) bestIdx = s; end end normChain = dchain(bestIdx:bestIdx+n-1); end function fd = chainFirstDifference(chain) % 一阶差分链码，旋转不变 if isempty(chain) fd = []; return; end fd = mod(diff([chain, chain(1)]), 8); end function desc = pcaShapeDescriptor(B) % 基于SVD/PCA的形状描述 X = double(B(:, [2 1])); % 转为(x, y)：x=列, y=行 mu = mean(X); Xc = X - mu; [~, S, V] = svd(Xc, 'econ'); P = Xc * V; % 投影到主轴坐标系 lenMajor = max(P(:,1)) - min(P(:,1)); lenMinor = max(P(:,2)) - min(P(:,2)); desc.mu = mu; desc.axisAngle = mod(atan2d(V(2,1), V(1,1)), 180); % 主轴与x轴夹角 desc.axisLengths = [lenMajor, lenMinor]; desc.axisRatio = lenMajor / (lenMinor + eps); desc.singularRatio = S(1,1) / (S(2,2) + eps); desc.projected = P; desc.singularValues = diag(S); end function drawShapeAxis(desc, halfLen) % 以质心为中心画主轴和次轴 angle1 = desc.axisAngle * pi / 180; angle2 = angle1 + pi/2; cx = desc.mu(1); cy = desc.mu(2); dx1 = halfLen * cos(angle1); dy1 = halfLen * sin(angle1); dx2 = halfLen * cos(angle2); dy2 = halfLen * sin(angle2); plot([cx-dx1 cx+dx1], [cy-dy1 cy+dy1], 'y-', 'LineWidth', 2); plot([cx-dx2 cx+dx2], [cy-dy2 cy+dy2], 'c-', 'LineWidth', 2); end

这段代码跑完，你会看到三样东西：边界轮廓线、绿色起点、黄色主轴线与青色次轴线。控制台会输出主轴角度和长短轴比。因为测试图本身旋转了30度，你会发现主轴角度大致也在30度附近——这就是PCA描述子在作用。

5.2 每一步的“为什么”

预处理里有个细节：imrotate之后，边界的插值会让二值图产生很多边缘过渡像素，用img > 0.5之后轮廓会带一点锯齿。这是故意的，因为真实图像几乎不可能给你完美的二进制边界，提前暴露链码对锯齿敏感的特性反而有助于理解。

链码部分，B_closed = [B; B(1,:)]这一步很多人会忽略。bwboundaries返回的边界不重复起点，如果不补上，diff计算会少掉最后一点回到起点的那个方向，链码长度少1，闭环信息丢失。我们做一阶差分时又依赖首尾相连，所以这个补点操作是必须的。

PCA部分，pcaShapeDescriptor里我把B的列顺序从[行,列]换成了[x, y]。这样主轴角度表示的是相对水平x轴的夹角，更符合人的直觉。如果你不改这一句，角度会变成相对行方向的角度，画图时和视觉理解容易出现偏差。

5.3 结果解读与参数调优

把代码跑完，你会得到类似下面的输出（不同MATLAB版本略有差异）：

边界点数：817 原始链码长度：817 主轴角度：29.82° 主轴长度：218.34, 次轴长度：155.61 长短轴比(投影跨度)：1.403 长短轴比(奇异值)：1.355

注意这里的长短轴比不是旋转前矩形的宽高比，而是旋转和二值化后边界外接主轴的跨度比，属于离散点云层面的几何描述。如果你的输入目标本身是椭圆形或矩形，轴比接近真实长宽比；如果形状复杂，轴比只是整体粗度的一个指标，别指望它精确还原尺寸。

实际操作中，有几个参数值得调。一是二值化阈值，imbinarize里的阈值直接影响边界长度和链码质量；二是连通参数，bwboundaries的第二个参数选4还是8，对细长目标影响很大；三是形态学处理的结构元尺寸，在去毛刺和保留真实角点之间需要权衡。

6. 常见错误排查与实践中的坑

6.1 问题速查表

6.2 几个容易被忽略的细节

我自己实际踩过的坑里，最值得说的是“链码起点归一化和差分链码的顺序问题”。经验做法是先做起点归一化，再做一阶差分。因为差分之后的序列同样是循环的，如果先差分再去找字典序最小的循环移位，理论上也行，但差分会放大毛刺噪声，导致起点归一化更不稳定。先起点归一化，再差分，结果更干净。

还有一个关于PCA投影的建议：如果单个目标的边界点特别多，直接用全部点算PCA会包含大量冗余点。可以先在边界上均匀重采样几百个点，再做PCA和链码。重采样不仅能降低噪声影响，还能让不同目标之间的边界点数保持一致，这对后续做特征拼接和分类非常有帮助。

另外，当你打算把链码和PCA特征结合起来做识别时，注意尺度匹配。链码长度和边界点数强相关，会受到图像分辨率影响；而PCA的长短轴比本身就是缩放不变量。所以组合特征里，用链码的差分直方图或循环移位后的链码做局部描述，用PCA的轴比和归一化角度做全局描述，效果会比硬拼原始链码更好。

最后再分享一个小经验：我之前在一个轮廓识别练手项目里，直接用链码做模板匹配，结果因为旋转问题折腾了很久。后来把链码换成归一化差分链码，再用PCA角度做预筛选，速度和稳定性都明显上去了。边界跟踪和链代码这套组合拳，真正决定成败的往往不是后面的算法有多高级，而是前面预处理能不能给出一条干净、闭合、有序的边界——边界不干净，后面一切描述子都在垃圾数据上做文章。先跑通这条基础流程，再往傅里叶描述子、Hu矩这些方向扩展，你会觉得顺很多。