相关疑难解决方法(0)

我使用轮廓检测​​进行矩形检测,并在调整透视投影之前使用OpenCv应用多边形以获取矩形的位置.它工作得很好.但是我小组中的一些人建议转换Hough.我想知道使用Hough变换进行矩形检测是否有任何优势.

更新:我尝试了两种方法.在我的例子中,两种方法在Canny边缘检测后都能正常工作.但是由于霍夫变换产生线,我们必须假设几行,例如线的长度和线的可连接性,并且应该进行额外的计算,例如搜索连接的线并从连接的线找到角点.就个人而言,我更喜欢轮廓法,因为它的概念更简单.使用该方法,您只需搜索可以使用具有4个角的闭合和凸多边形近似的轮廓,并调整多边形的透视投影.就是这样.

另一个关于检测图片中的卡片。我已经成功地隔离了图片中的卡片，我有一个很近的凸包，从这里我被卡住了。

对于上下文/约束，目标：

• 检测图片中的卡片
• 纯色背景（见示例）
• 固定在前面的卡片类型（意思是：我们有宽/高比）
• 每张照片一个对象（至少现在是这样）

我使用的方法：

1. 缩小规模
2. 灰度
3. 光模糊
4. 精明
5. 查找轮廓
6. 删除列表中小于 120 点的所有轮廓（尝试/错误值）
7. 案例 1：我有 1 个轮廓：我的卡片的完美轮廓：第 9 步
8. 案例 2：我有多个轮廓
   • 凸壳
   • 近似多边形 ?
9. ？？？

第1、3、6步主要是去除噪声和小伪影。

所以我几乎卡在第 9 步。我试过一个示例图片：

在调试图片上：

• 绿色：轮廓
• 红色：凸包
• 紫色/粉红色：使用 approxPolyDp
• 黄色：minAreaRect

（结果图片是从minAreaRect中提取的）

所以轮廓是可以接受的，我可以通过调整 canny 或第一次模糊的参数来做得更好。但现在这是可以接受的，现在的问题是，我怎样才能得到将形成“minarea 四边形”的 4 个点。如您所见， minAreaRect 给出了一个不完美的矩形，并且 approxPolyDp 丢失了太多的卡片。

有什么线索可以解决这个问题吗？我尝试在使用 approxPolyDp（我使用arcLength*0.1）时使用 epsilon 值，但没有。

这种方法的另一个问题是在 canny 期间丢失了一个角（参见示例），它将不起作用（除非使用 minAreaRect 时）。但这可能可以在之前（通过更好的预处理）或之后解决（因为我们知道宽/高比）。

不是在这里要求代码，只是想知道如何解决这个问题，

谢谢！

编辑：Yves Daoust 的解决方案：

• 从凸包中获取与谓词匹配的8个点：（最大化x, x+y, y, -x+y, -x, -xy, -y, xy）
• 从这个八边形，取4条最长的边，得到交点

结果：

编辑 2：使用 Hough 变换（而不是 …

我正在尝试检测照片是否代表填充了数据的预定义公式模板。

我是图像处理和 OpenCV 的新手，但我的第一次尝试是使用 FlannBasedMatcher 并比较检测到的关键点的数量。

有一个更好的方法吗？

填写表格.jpg

表单模板.jpg

import numpy as np
import cv2
from matplotlib import pyplot as plt
MIN_MATCH_COUNT = 10
img1 = cv2.imread('filled-form.jpg',0)          # queryImage
img2 = cv2.imread('template-form.jpg',0) # trainImage
# Initiate SIFT detector
sift = cv2.xfeatures2d.SIFT_create()
# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks = 50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1,des2,k=2) …