将四边形（四边形）拟合到 blob

Posted 2023-03-12

【中文标题】将四边形（四边形）拟合到 blob

【英文标题】：Fit Quadrilateral (Tetragon) to a blob

【发布时间】：2017-04-29 12:16:48

【问题描述】：

应用不同的过滤和分割技术后，我最终得到了这样的图像：

我可以访问一些轮廓检测函数，这些函数返回该对象边缘上的点列表，或者返回一个拟合的多边形（虽然有很多边，但远不止 4 个）。 我想要一种使四边形适合该形状的方法，因为我知道它是应该是四边形的鞋盒的正面。由于透视图，平行度不守恒，所以我现在没有限制，只需要包含这个框的四个线段。

到目前为止我能找到的只是矩形拟合，它并没有真正返回我需要的结果，因为它强制拟合的四边形为矩形。

如果我可以访问相机与鞋盒的相对角度，并且知道鞋盒与相机的距离，我可以生成一个单应矩阵并扭曲图像，使鞋盒再次显示为矩形，但现在我无法访问此类信息，并且希望仅基于愿景来进行。

任何已知的解决此类问题的方法？

【参考方案1】：

我推荐以下步骤：

threshold()图片 dilate() the image - 这将删除分割顶部和底部的黑线以及下部较暗的伪影 findContours() 使用设置仅检索外部轮廓（RETR_EXTERNAL）并简化输出（CHAIN_APPROX_SIMPLE） 进一步处理轮廓

第 1 步：阈值

# threshold image
ret,thresh = cv2.threshold(img,127,255,0)
cv2.imshow('threshold ',thresh)

第 2 步：扩张

# dilate thresholded image - merges top/bottom 
kernel = np.ones((3,3), np.uint8)
dilated = cv2.dilate(thresh, kernel, iterations=3)
cv2.imshow('threshold dilated',dilated)

第 3 步：寻找轮廓

# find contours
contours, hierarchy = cv2.findContours(dilated,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, 0, (255,255,255), 3)
print "contours:",len(contours)
print "largest contour has ",len(contours[0]),"points"

请注意，首先扩张，然后使用简单的外部轮廓可以得到你想要的形状，但它仍然非常复杂（包含 279 个点）

从现在开始，您可以继续process the contour features。 有几个选项可用，例如：

a：得到最小值。区域矩形

# minAreaRect
rect = cv2.minAreaRect(contours[0])
box = cv2.cv.BoxPoints(rect)
box = np.int0(box)
cv2.drawContours(img,[box],0,(255,255,255),3)

可能有用，但不完全是您所需要的。

b：凸包

# convexHull
hull = cv2.convexHull(contours[0])
cv2.drawContours(img, [hull], 0, (255,255,255), 3)
print "convex hull has ",len(hull),"points"

更好，但你还有 22 点要处理，而且还不是很紧

c：简化轮廓

# simplify contours

epsilon = 0.1*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
cv2.drawContours(img, [approx], 0, (255,255,255), 3)
print "simplified contour has",len(approx),"points"

这可能就是您所追求的：只需 4 分。 如果您需要更多积分，可以使用 epsilon 值。

记住，现在你有一个四边形，但图片是扁平的：没有关于透视/3d 旋转的信息。

完整的OpenCV Python代码清单（根据需要注释/取消注释，使用参考适应c++/java/等）：

import numpy as np
import cv2

img = cv2.imread('XwzWQ.png',0)

# threshold image
ret,thresh = cv2.threshold(img,127,255,0)
cv2.imshow('threshold ',thresh)

# dilate thresholded image - merges top/bottom 
kernel = np.ones((3,3), np.uint8)
dilated = cv2.dilate(thresh, kernel, iterations=3)
cv2.imshow('threshold dilated',dilated)

# find contours
contours, hierarchy = cv2.findContours(dilated,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
# cv2.drawContours(img, contours, 0, (255,255,255), 3)
print "contours:",len(contours)
print "largest contour has ",len(contours[0]),"points"

# minAreaRect
# rect = cv2.minAreaRect(contours[0])
# box = cv2.cv.BoxPoints(rect)
# box = np.int0(box)
# cv2.drawContours(img,[box],0,(255,255,255),3)

# convexHull
# hull = cv2.convexHull(contours[0])
# cv2.drawContours(img, [hull], 0, (255,255,255), 3)
# print "convex hull has ",len(hull),"points"

# simplify contours
epsilon = 0.1*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
cv2.drawContours(img, [approx], 0, (255,255,255), 3)
print "simplified contour has",len(approx),"points"


# display output 
cv2.imshow('image',img)

cv2.waitKey(0)
cv2.destroyAllWindows()

【讨论】：

这是一个很好的答案！非常感谢！这就是我要找的！