python計算機視覺opencv矩形輪廓頂點位置確定

更新時間：2022年05月20日 15:45:10 作者：qq_47150350

這篇文章主要為大家介紹了python計算機視覺opencv矩形輪廓頂點位置確定，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

一、問題的引入

opencv在圖像處理方面有著非常強大的功能，當我們需要使用opencv進行一些圖像的矯正工作時，我們通常需要找到原圖的一些關(guān)鍵點，然后計算變換后的圖像坐標，最后通過仿射變換或者透視變換獲得自己想要的矯正圖像，比如將一張拍歪了的紙進行矯正，我們的首要任務就是找到原圖的一些關(guān)鍵點，通常的做法就是找紙張的4個頂點。

二、問題的解決方法

第一步我們肯定要找到紙張相應的矩形輪廓，這里可以二值化再找，也可以使用一些算子查找，而本文的重點是解決怎樣根據(jù)矩形輪廓去確定它具體的4個頂點的位置。

方法一：

使用線性規(guī)劃的方法，在opencv的坐標系下使用x+y=z1和x-y=z2兩條直線去切輪廓，分別當z1取最大時(x,y)是右下點，最小時是左上點；當z2取最大時(x,y)是右上點，最小時是左下點，如下圖：

這個方法單獨從輪廓的角度來說，只要旋轉(zhuǎn)的角度不要剛剛好是45°或者135°，這個方法就沒有問題，它得到的就是輪廓相對應的右下點、左上點、右上點、左下點，但不是原目標的相應點，就好像當紙張旋轉(zhuǎn)超過45°時，這個方法得到的對于輪廓來說是正確的，但對于紙張來說就不對了，如下圖：

這個時候如果按之前的一樣進行矯正就會得到一個橫放的紙張，這樣里面的字都是橫的，就不是我們想要的了所以這個方法要用來矯正的話，就需要對圖像的旋轉(zhuǎn)角度有一個計算和判斷，可以通過下面代碼獲取角度：

#cnt:輸入輪廓，angle:返回角度
(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)

方法二

這個方法首先要使用輪廓獲得其最小面積矩，然后觀察研究矩形的性質(zhì)可以根據(jù)當前的形狀給出適合的x,y判斷式，觀察下圖：

#找輪廓最小矩 cnt:輪廓  box:4個點無規(guī)律
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)

對于這樣一個高比寬長的矩形，我們的方法是先將4個點按y從小到大進行排序，再取前兩個按x從小到大進行排序，小的那個是左下，大的那個是右下；最后取后兩個也按x從小到大進行排序，小的那個是左上，大的那個是右上。假如是一個寬比高長的矩形，我們就可以先按x的大小進行排序。這個從代碼角度實現(xiàn)可能更為簡潔，適用特定輪廓，對角度要求就更寬泛了些，除非旋轉(zhuǎn)到了像上圖右邊一樣的狀況，而這種矯正一般出現(xiàn)的機率非常小。

三、一些實現(xiàn)代碼

1、下面是使用方法一實現(xiàn)的頂點定位

import numpy as np
import cv2
def get4points(img: np.ndarray, thed, n):
    """
    :param img  the color image which shape is [height, width, depth]
    :return 4 point locations in list or tuple, for example: [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
    """
    #灰度和二值化
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret, binary = cv2.threshold(gray,thed,255,cv2.THRESH_BINARY)
    # 搜索輪廓
    contours, hierarchy = cv2.findContours(
        binary,
        cv2.RETR_LIST,
        cv2.CHAIN_APPROX_SIMPLE)
    #按輪廓長度選取需要輪廓
    len_list = []
    for i in range(len(contours)):
        len_list.append(len(contours[i]))
    #選第二長的
    sy = np.argsort(np.array(len_list))[-n]
    #尋找頂點
    sum_list = []
    dif_list = []
    for i in contours[sy]:
        sum = i[0][0]+i[0][1]
        sum_list.append(sum)
        dif_list.append(i[0][0]-i[0][1])
    id_lb = np.argsort(np.array(sum_list))
    id_lb2 = np.argsort(np.array(dif_list))
    lu_id , rd_id = id_lb[0] , id_lb[-1]
    ld_id , ru_id = id_lb2[0] , id_lb2[-1]
    points = np.array([contours[sy][lu_id][0],contours[sy][rd_id][0],contours[sy][ld_id][0],contours[sy][ru_id][0]])
    return points , contours , sy

2、下面是使用方法2實現(xiàn)的頂點定位

def getpoints(binary: np.ndarray  , num: int ):
    # 搜索輪廓
    contours, hierarchy = cv2.findContours(
        binary,
        cv2.RETR_LIST,
        cv2.CHAIN_APPROX_SIMPLE)
    #按輪廓位置最左（x最?。┻x取
    x_list = []
    for i in contours:
        x_sum = 0
        for kk in i:
            x_sum += kk[0][0]
        x_av = x_sum/len(i)
        x_list.append(x_av)
    sy = np.argsort(np.array(x_list))[num]
    cnt = contours[sy]
    #找輪廓最小矩
    rect = cv2.minAreaRect(cnt)
    box = cv2.boxPoints(rect)
    return box , contours , sy
def findpoints(points):
    #區(qū)分矩形頂點位置
    point_y=sorted(points,key=lambda t:t[1])
    lu, ru =sorted(point_y[:2],key=lambda t:t[0])
    ld, rd =sorted(point_y[2:],key=lambda t:t[0])
    return [list(lu), list(ld), list(ru),list(rd)]

3、下面是一些展示代碼

#展示頂點
def show_points(img , points):
    point_size = 8
    point_color = (0, 0, 255) # BGR
    thickness = 4 # 可以為 0 、4、8
    points_list = [tuple(i) for i in np.int32(points).reshape(-1,2)]
    for point in points_list:
        cv2.circle(img, point, point_size, point_color, thickness)
    img = cv2.resize(img,(808,808))
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # cv2.imwrite('dd.jpg',img)
#展示輪廓
def show_Contour(img , contours , sy):
    cv2.drawContours(img, contours , sy , (25, 254, 0), 4)
    img = cv2.resize(img,(808,808))
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # cv2.imwrite('mm.jpg',img)

以上就是python計算機視覺opencv矩形輪廓頂點位置確定的詳細內(nèi)容，更多關(guān)于python opencv矩形輪廓頂點定位的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: