opencv：在矩形检测中使用轮廓和霍夫变换

Question

我正在尝试使用不同的方法检测灰度图像中的白色矩形：轮廓检测和霍夫变换。不幸的是，我正在处理的图像存在一些限制，即

1. 图像中有许多特征，矩形不是唯一的特征
2. 矩形可以与其他特征合并（例如，矩形边缘之一可以与一条长直线重叠）
3. 矩形可能包含一些其他特征（例如矩形内的字母、数字或某些徽标）
4. 有些特征看起来像矩形（例如，字符“D”看起来像一个在右上角和右下角带有小圆弧的矩形；另一个例子是梯形而不是平行四边形）
5. 矩形可以顺时针和逆时针旋转 0 到 15 度
6. 在不同的光照条件下（例如 1 个像素间隙），线条可能会分成几条线，因此过滤线条的最小线条长度必须很短（例如在 Hough 变换中）
7. 当最小线长度设置为较小值时，更常见的是同一条线在不同方向上出现重复线（即需要合并多条线）

对于轮廓方法，一些图像的轮廓被破坏了。此外，图像可能包含矩形等特征（例如字符“D”）。我不确定这是否是一个好方法。

我看到很多文章/论坛建议使用霍夫变换来检测矩形，如下面的帖子。不幸的是，我必须设置最小行长度的小值并且看到重复的行。我不知道如何处理上面提到的点（例如，结合所有重复的线并为每个边缘只选择一条线，如何区分大部分是线但带有像“D”这样的小弧线的特征，以及如何用一条边与一条长直线合并等来隔离正方形。

Hough transformation vs Contour detection for Rectangle recognition with perspective projection

欢迎提出任何建议！

编辑：添加一些图片

字符 D

带logo的矩形，边用长直线合并

梯形（顶部有阴影，底部形成梯形）

Answer 1

我建议您尝试在每张图像上使用binary threshold（自适应或其他），这将为您的轮廓检测提供一些清晰的线条。你也可以erode/dilate图片去噪点（比如第二张图片中的细线）

然后使用轮廓检测​​，计算轮廓，找到图像中具有四个边的最大对象（这可能就是您的对象）。

在使用二进制/腐蚀之前复制图像，这样一旦从轮廓检测中获得感兴趣区域，就可以将复制图像裁剪到该区域。

抱歉，示例链接是用 python 编写的，但我相信一旦你明白了，将它移植到 C++ 会很容易。

希望这会有所帮助。

编辑

刚刚自己尝试了上述方法，对每张图像进行阈值化，轮廓检测，然后在最大的一组轮廓周围绘制一个边界框。

下面看结果：

最大轮廓集周围的边界框

相同，绘制在原始图像上