检测照片中纸张角落的算法
Nat*_*ler 91 opencv image-processing edge-detection image-segmentation hough-transform
检测照片中发票/收据/纸张角落的最佳方法是什么？在OCR之前,这将用于后续的透视校正.
我目前的做法是:
RGB>灰色>带阈值的Canny边缘检测>扩张(1)>移除小物体(6)>清除边界物体>根据凸面区域挑选大型博客.> [角落检测 - 未实施]
我不禁想到必须有一种更强大的"智能"/统计方法来处理这种类型的细分.我没有很多训练样例,但我可能会得到100张图像.
更广泛的背景:
我正在使用matlab进行原型设计,并计划在OpenCV和Tesserect-OCR中实现该系统.这是我需要为此特定应用程序解决的许多图像处理问题中的第一个.因此,我希望推出自己的解决方案并重新熟悉图像处理算法.
以下是我想要算法处理的一些示例图像:如果您想接受挑战,那么大图像位于http://madteckhead.com/tmp
案例1 http://madteckhead.com/tmp/IMG_0773_sml.jpg 案例2 http://madteckhead.com/tmp/IMG_0774_sml.jpg 案例3 http://madteckhead.com/tmp/IMG_0775_sml.jpg 案例4 http:/ /madteckhead.com/tmp/IMG_0776_sml.jpg
在最好的情况下,这给出:
案例1 - canny http://madteckhead.com/tmp/IMG_0773_canny.jpg 案例1 - post canny http://madteckhead.com/tmp/IMG_0773_postcanny.jpg 案例1 - 最大的博客http://madteckhead.com/tmp/ IMG_0773_blob.jpg
但是在其他情况下很容易失败:
案例2 - canny http://madteckhead.com/tmp/IMG_0774_canny.jpg 案例2 - post canny http://madteckhead.com/tmp/IMG_0774_postcanny.jpg 案例2 - 最大的博客http://madteckhead.com/tmp/ IMG_0774_blob.jpg
提前感谢所有伟大的想法!我喜欢!
编辑:霍夫变换进展
问:什么算法会聚集霍夫线找到角落？根据答案的建议,我能够使用Hough变换,拾取线条并过滤它们.我目前的做法相当粗糙.我已经假设发票总是小于15度,与图像不对齐.如果是这种情况,我最终得到合理的线条结果(见下文).但我不完全确定一个合适的算法来聚集线(或投票)来推断角落.霍夫线不连续.并且在嘈杂的图像中,可以存在平行线,因此需要与线原点度量的某种形式或距离.有任何想法吗？
案例1 http://madteckhead.com/tmp/IMG_0773_hough.jpg 案例2 http://madteckhead.com/tmp/IMG_0774_hough.jpg 案例3 http://madteckhead.com/tmp/IMG_0775_hough.jpg 案例4 http:/ /madteckhead.com/tmp/IMG_0776_hough.jpg
Dan*_*ley 27
今年早些时候,我是马丁的朋友.这是我的第一个编码项目,有点匆匆结束,所以代码需要一些错误...解码...我会从我已经看到你做的一些提示,然后我明天休息一天.
第一个提示,OpenCV并且python很棒,尽快移动到它们.:d
而不是删除小物体和/或噪音,降低精确限制,因此它接受更多的边缘,然后找到最大的闭合轮廓(在OpenCV中使用findcontour()一些简单的参数,我想我用过CV_RETR_LIST).当它在一张白纸上时可能仍然会挣扎,但肯定会提供最好的结果.
对于Houghline2()变换,尝试使用CV_HOUGH_STANDARD相反的CV_HOUGH_PROBABILISTIC,它将给出rho和theta值,在极坐标中定义线,然后您可以将线分组在一定的容差范围内.
我的分组作为一个查找表,对于从霍夫变换输出的每一行,它将给出一个rho和theta对.如果这些值在表中的一对值的5%之内,则丢弃它们,如果它们超出5%,则在表中添加新条目.
然后,您可以更轻松地分析平行线或线之间的距离.
希望这可以帮助.
Mar*_*oot 18
我大学的一个学生小组最近演示了一个他们写的iPhone应用程序(以及python OpenCV应用程序).我记得,步骤是这样的:
- 中位数过滤器可以完全删除纸张上的文本(这是在白纸上手写的文字,具有相当好的照明,可能无法与打印文本一起使用,效果非常好).原因是它使角落检测更容易.
- Hough变换线
- 在Hough Transform累加器空间中找到峰值,并在整个图像上绘制每条线.
- 分析线条并移除任何彼此非常接近的线条并且线条处于相似的角度(将线条聚为一个).这是必要的,因为霍夫变换并不完美,因为它在离散的样本空间中工作.
- 找到大致平行且与其他对相交的线对,以查看哪些线形成四边形.
这似乎工作得相当好,他们能够拍摄一张纸或书的照片,执行角点检测,然后几乎实时地将图像中的文档映射到平面上(只有一个OpenCV函数可以执行映射).当我看到它工作时没有OCR.
Van*_*uan 16
这是我在经过一些实验后想出的:
import cv, cv2, numpy as np
import sys
def get_new(old):
new = np.ones(old.shape, np.uint8)
cv2.bitwise_not(new,new)
return new
if __name__ == '__main__':
orig = cv2.imread(sys.argv[1])
# these constants are carefully picked
MORPH = 9
CANNY = 84
HOUGH = 25
img = cv2.cvtColor(orig, cv2.COLOR_BGR2GRAY)
cv2.GaussianBlur(img, (3,3), 0, img)
# this is to recognize white on white
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(MORPH,MORPH))
dilated = cv2.dilate(img, kernel)
edges = cv2.Canny(dilated, 0, CANNY, apertureSize=3)
lines = cv2.HoughLinesP(edges, 1, 3.14/180, HOUGH)
for line in lines[0]:
cv2.line(edges, (line[0], line[1]), (line[2], line[3]),
(255,0,0), 2, 8)
# finding contours
contours, _ = cv2.findContours(edges.copy(), cv.CV_RETR_EXTERNAL,
cv.CV_CHAIN_APPROX_TC89_KCOS)
contours = filter(lambda cont: cv2.arcLength(cont, False) > 100, contours)
contours = filter(lambda cont: cv2.contourArea(cont) > 10000, contours)
# simplify contours down to polygons
rects = []
for cont in contours:
rect = cv2.approxPolyDP(cont, 40, True).copy().reshape(-1, 2)
rects.append(rect)
# that's basically it
cv2.drawContours(orig, rects,-1,(0,255,0),1)
# show only contours
new = get_new(img)
cv2.drawContours(new, rects,-1,(0,255,0),1)
cv2.GaussianBlur(new, (9,9), 0, new)
new = cv2.Canny(new, 0, CANNY, apertureSize=3)
cv2.namedWindow('result', cv2.WINDOW_NORMAL)
cv2.imshow('result', orig)
cv2.waitKey(0)
cv2.imshow('result', dilated)
cv2.waitKey(0)
cv2.imshow('result', edges)
cv2.waitKey(0)
cv2.imshow('result', new)
cv2.waitKey(0)
cv2.destroyAllWindows()
不完美,但至少适用于所有样品:
- 我正在做类似的项目.我在代码上方运行,它给出了错误"没有名为cv的模块".我安装了Open CV 2.4版本,导入cv2对我来说非常合适. (2认同)
| 归档时间： |
|
| 查看次数： |
47857 次 |
| 最近记录： |