如何从图像中裁剪出最大的矩形- AskGo

如何从图像中裁剪出最大的矩形

image-processing

opencv

python

我在桌子上有几页纸的图像。我想从图像中裁剪页面。通常，页面将是图像中最大的矩形，但是，在某些情况下，矩形的所有四个边可能都不可见。

我正在执行以下操作，但未获得期望的结果：

import cv2
import numpy as np

im = cv2.imread('images/img5.jpg')
gray=cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,0)
_,contours,_ = cv2.findContours(thresh,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
areas = [cv2.contourArea(c) for c in contours]
max_index = np.argmax(areas)
cnt=contours[max_index]
x,y,w,h = cv2.boundingRect(cnt)
cv2.rectangle(im,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow("Show",im)
cv2.imwrite("images/img5_rect.jpg", im)
cv2.waitKey(0)

以下是一些示例：

第一个示例 ：我可以在此图像中找到矩形，但是，如果也可以裁剪出木材的其余部分，我想。在此处输入图片说明

在此处输入图片说明

第二个示例 ：在此图像中找不到矩形的正确尺寸。在此处输入图片说明

在此处输入图片说明

第三个示例 ：在此图像中也找不到正确的尺寸。在此处输入图片说明

第四例 ：与此相同。在此处输入图片说明

参考资料：

Stack Overflow

2020-06-09 20:03:18 更新

Tim Black• 689

共 2 个回答

高赞时间活跃

正如我以前做过的类似事情一样，我经历了霍夫变换，但要比使用轮廓更难于适合我的情况。我有以下建议可帮助您入门：

通常，纸张（至少边缘）是白色的，因此，您可以通过进入YUV之类的颜色空间更好地分离光度来获得更好的运气：
```
 image_yuv = cv2.cvtColor(image,cv2.COLOR_BGR2YUV) image_y = np.zeros(image_yuv.shape[0:2],np.uint8) image_y[:,:] = image_yuv[:,:,0] 
```
纸上的文字有问题。使用模糊效果，以（希望）消除这些高频噪声。您也可以使用形态运算，例如膨胀。
```
 image_blurred = cv2.GaussianBlur(image_y,(3,3),0) 
```
您可以尝试应用精巧的边缘检测器，而不是简单的阈值。不一定，但可以帮助您：
```
  edges = cv2.Canny(image_blurred,100,300,apertureSize = 3) 
```
然后找到轮廓。就我而言，我只使用了极端的外部轮廓。您可以使用CHAIN_APPROX_SIMPLE标志来压缩轮廓
```
 contours,hierarchy = cv2.findContours(edges,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) 
```
现在您应该有一堆轮廓。是时候找到合适的了。对于每个轮廓cnt ，首先找到凸包，然后使用approaxPolyDP尽可能简化轮廓。
```
 hull = cv2.convexHull(cnt) simplified_cnt = cv2.approxPolyDP(hull,0.001*cv2.arcLength(hull,True),True) 
```
现在，我们应该使用这个简化的轮廓来找到封闭的四边形。您可能会尝试很多规则。最简单的方法是选取轮廓的四个最长最长的线段，然后通过将这四条线相交来创建封闭的四边形。根据您的情况，您可以根据线条的对比度，它们形成的角度以及类似的东西找到这些线条。
现在您有一堆四边形。现在，您可以执行两步方法来找到所需的四边形。首先，您删除那些可能是错误的。例如，四边形的一个角度大于175度。然后，您可以选择面积最大的一个作为最终结果。您可以看到橙色轮廓是我此时得到的结果之一：
找到（希望）右四边形之后的最后一步是变回矩形。为此，您可以使用findHomography提出转换矩阵。
```
 (H,mask) = cv2.findHomography(cnt.astype('single'),np.array([[[0., 0.]],[[2150., 0.]],[[2150., 2800.]],[[0.,2800.]]],dtype=np.single)) 
```
数字假定投射到信纸上。您可能会想出更好更好的数字来使用。您还需要重新排列轮廓点以匹配信纸的坐标顺序。然后调用warpPerspective创建最终图像：
```
 final_image = cv2.warpPerspective(image,H,(2150, 2800)) 
```
这种扭曲应导致如下所示（根据我之前的结果）：