C：检测一张纸/方形检测
我在测试应用程序中成功实现了OpenCV方形检测示例，但现在需要过滤输出，因为它很安静 - 或者是我的代码错误？
我对这篇论文的四个角点感兴趣，以减少偏斜（如那样）并进一步处理......
输入输出： 
原始图像：
点击
码：
double angle( cv::Point pt1, cv::Point pt2, cv::Point pt0 ) {
double dx1 = pt1.x - pt0.x;
double dy1 = pt1.y - pt0.y;
double dx2 = pt2.x - pt0.x;
double dy2 = pt2.y - pt0.y;
return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10);
}
- (std::vector<std::vector<cv::Point> >)findSquaresInImage:(cv::Mat)_image
{
std::vector<std::vector<cv::Point> > squares;
cv::Mat pyr, timg, gray0(_image.size(), CV_8U), gray;
int thresh = 50, N = 11;
cv::pyrDown(_image, pyr, cv::Size(_image.cols/2, _image.rows/2));
cv::pyrUp(pyr, timg, _image.size());
std::vector<std::vector<cv::Point> > contours;
for( int c = 0; c < 3; c++ ) {
int ch[] = {c, 0};
mixChannels(&timg, 1, &gray0, 1, ch, 1);
for( int l = 0; l < N; l++ ) {
if( l == 0 ) {
cv::Canny(gray0, gray, 0, thresh, 5);
cv::dilate(gray, gray, cv::Mat(), cv::Point(-1,-1));
}
else {
gray = gray0 >= (l+1)*255/N;
}
cv::findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);
std::vector<cv::Point> approx;
for( size_t i = 0; i < contours.size(); i++ )
{
cv::approxPolyDP(cv::Mat(contours[i]), approx, arcLength(cv::Mat(contours[i]), true)*0.02, true);
if( approx.size() == 4 && fabs(contourArea(cv::Mat(approx))) > 1000 && cv::isContourConvex(cv::Mat(approx))) {
double maxCosine = 0;
for( int j = 2; j < 5; j++ )
{
double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
maxCosine = MAX(maxCosine, cosine);
}
if( maxCosine < 0.3 ) {
squares.push_back(approx);
}
}
}
}
}
return squares;
}
编辑17/08/2012：
要在图像上绘制检测到的正方形，请使用以下代码：
cv::Mat debugSquares( std::vector<std::vector<cv::Point> > squares, cv::Mat image )
{
for ( int i = 0; i< squares.size(); i++ ) {
// draw contour
cv::drawContours(image, squares, i, cv::Scalar(255,0,0), 1, 8, std::vector<cv::Vec4i>(), 0, cv::Point());
// draw bounding rect
cv::Rect rect = boundingRect(cv::Mat(squares[i]));
cv::rectangle(image, rect.tl(), rect.br(), cv::Scalar(0,255,0), 2, 8, 0);
// draw rotated rect
cv::RotatedRect minRect = minAreaRect(cv::Mat(squares[i]));
cv::Point2f rect_points[4];
minRect.points( rect_points );
for ( int j = 0; j < 4; j++ ) {
cv::line( image, rect_points[j], rect_points[(j+1)%4], cv::Scalar(0,0,255), 1, 8 ); // blue
}
}
return image;
}
这是一个在Stackoverflow中反复出现的主题，由于我无法找到相关的实现，我决定接受挑战。
我对OpenCV中的正方形演示进行了一些修改，下面产生的C ++代码能够检测图像中的一张纸：
void find_squares(Mat& image, vector<vector<Point> >& squares)
{
// blur will enhance edge detection
Mat blurred(image);
medianBlur(image, blurred, 9);
Mat gray0(blurred.size(), CV_8U), gray;
vector<vector<Point> > contours;
// find squares in every color plane of the image
for (int c = 0; c < 3; c++)
{
int ch[] = {c, 0};
mixChannels(&blurred, 1, &gray0, 1, ch, 1);
// try several threshold levels
const int threshold_level = 2;
for (int l = 0; l < threshold_level; l++)
{
// Use Canny instead of zero threshold level!
// Canny helps to catch squares with gradient shading
if (l == 0)
{
Canny(gray0, gray, 10, 20, 3); //
// Dilate helps to remove potential holes between edge segments
dilate(gray, gray, Mat(), Point(-1,-1));
}
else
{
gray = gray0 >= (l+1) * 255 / threshold_level;
}
// Find contours and store them in a list
findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);
// Test contours
vector<Point> approx;
for (size_t i = 0; i < contours.size(); i++)
{
// approximate contour with accuracy proportional
// to the contour perimeter
approxPolyDP(Mat(contours[i]), approx, arcLength(Mat(contours[i]), true)*0.02, true);
// Note: absolute value of an area is used because
// area may be positive or negative - in accordance with the
// contour orientation
if (approx.size() == 4 &&
fabs(contourArea(Mat(approx))) > 1000 &&
isContourConvex(Mat(approx)))
{
double maxCosine = 0;
for (int j = 2; j < 5; j++)
{
double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
maxCosine = MAX(maxCosine, cosine);
}
if (maxCosine < 0.3)
squares.push_back(approx);
}
}
}
}
}
执行此过程后，纸张将成为vector<vector<Point> >的最大方形：
我让你编写函数来找到最大的方块。 ;）
除非有其他要求没有指定，否则我会简单地将您的彩色图像转换为灰度图并且仅使用该图像（无需在3个通道上工作，目前的对比度已经过高）。 另外，除非有关于调整大小的一些具体问题，否则我会使用缩小版本的图像，因为它们相对较大并且大小对解决问题没有任何帮助。 然后，最后，用中值滤波器，一些基本的形态学工具和统计信息（主要针对Otsu阈值，已经为您完成）解决了您的问题。
下面是我用你的样本图片和其他图片以及我发现的一张纸所获得的内容：
中值滤镜用于从当前灰度图像中移除较小的细节。 它可能会去除白色纸张内部的细线，这是很好的，因为那么您将以易于丢弃的微小连接组件结束。 中位数后，应用形态梯度（简单地dilation - erosion ）并用Otsu对结果进行二值化。 形态梯度是保持强边的好方法，应该多用。 然后，由于此渐变将增加轮廓宽度，因此应用形态变薄。 现在您可以放弃小部件。
在这一点上，这里是我们对上面正确的图像（绘制蓝色多边形之前）的图片，左边的图片没有显示，因为唯一剩下的组件是描述纸张的组件：
考虑到这些例子，现在剩下的唯一问题是区分看起来像矩形的组件和其他组件。 这是确定包含形状的凸包的面积与其边界框的面积之间的比率的问题; 对于这些例子，比率0.7正常工作。 可能出现这种情况，您还需要丢弃纸张内部的组件，但在这些示例中不使用此方法（但是，执行此步骤应该非常容易，尤其是因为可以通过OpenCV直接执行此步骤）。
作为参考，这里是Mathematica中的示例代码：
f = Import["http://thwartedglamour.files.wordpress.com/2010/06/my-coffee-table-1-sa.jpg"]
f = ImageResize[f, ImageDimensions[f][[1]]/4]
g = MedianFilter[ColorConvert[f, "Grayscale"], 2]
h = DeleteSmallComponents[Thinning[
Binarize[ImageSubtract[Dilation[g, 1], Erosion[g, 1]]]]]
convexvert = ComponentMeasurements[SelectComponents[
h, {"ConvexArea", "BoundingBoxArea"}, #1 / #2 > 0.7 &],
"ConvexVertices"][[All, 2]]
(* To visualize the blue polygons above: *)
Show[f, Graphics[{EdgeForm[{Blue, Thick}], RGBColor[0, 0, 1, 0.5],
Polygon @@ convexvert}]]
如果纸张矩形的定义不太清晰，或者其他形状会使其与其他形状混淆 - 这些情况可能由于各种原因而发生，但常见的原因是图像采集不良 - 然后尝试将预先组合 - 基于“基于窗口Hough变换的矩形检测”中描述的工作来处理步骤。
好吧，我迟到了。
在图像中，纸张是white ，而背景是colored 。 因此，最好在HSV color space检测纸张是Saturation(饱和度)通道。 先参考wiki HSL_and_HSV。 然后，我会在图像中的此检测彩色段中复制我的答案中的大部分想法。
主要步骤：
BGR bgr转换为hsv空间 Canny ，或者HoughLines只要你喜欢，我选择findContours ）， HoughLines得到角落。 这是我的结果：
Python代码（Python 3.5 + OpenCV 3.3）：
#!/usr/bin/python3
# 2017.12.20 10:47:28 CST
# 2017.12.20 11:29:30 CST
import cv2
import numpy as np
##(1) read into bgr-space
img = cv2.imread("test2.jpg")
##(2) convert to hsv-space, then split the channels
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h,s,v = cv2.split(hsv)
##(3) threshold the S channel using adaptive method(`THRESH_OTSU`) or fixed thresh
th, threshed = cv2.threshold(s, 50, 255, cv2.THRESH_BINARY_INV)
##(4) find all the external contours on the threshed S
_, cnts, _ = cv2.findContours(threshed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
canvas = img.copy()
#cv2.drawContours(canvas, cnts, -1, (0,255,0), 1)
## sort and choose the largest contour
cnts = sorted(cnts, key = cv2.contourArea)
cnt = cnts[-1]
## approx the contour, so the get the corner points
arclen = cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, 0.02* arclen, True)
cv2.drawContours(canvas, [cnt], -1, (255,0,0), 1, cv2.LINE_AA)
cv2.drawContours(canvas, [approx], -1, (0, 0, 255), 1, cv2.LINE_AA)
## Ok, you can see the result as tag(6)
cv2.imwrite("detected.png", canvas)
相关答案：