在python中旋转图像并删除背景

Question

有没有办法旋转这些类型的图像并删除背景空白或任何背景并获得这样的图像

如果图像没有任何旋转，我尝试删除背景我可以使用此脚本删除背景空白，但如果图像有任何旋转，它不会删除任何空间 我关注了这个How to crop or remove white background from an image

import cv2
import numpy as np

img = cv2.imread('cheque_img\rotate.PNG')
## (1) Convert to gray, and threshold
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
th, threshed = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY_INV)

## (2) Morph-op to remove noise
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (11,11))
morphed = cv2.morphologyEx(threshed, cv2.MORPH_CLOSE, kernel)

## (3) Find the max-area contour
cnts = cv2.findContours(morphed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
cnt = sorted(cnts, key=cv2.contourArea)[-1]

## (4) Crop and save it
x,y,w,h = cv2.boundingRect(cnt)
dst = img[y:y+h, x:x+w]
cv2.imwrite("001.png", dst) 

请尝试使用任何扫描的图像并旋转它，并尝试摆脱背景空白并将其旋转到其原始尺寸以进行计算机视觉操作

Answer 1

考虑到您不知道旋转的角度，并且每个扫描的图像可能不同，您需要先找到它。

将您已经完成的操作与this 问题的已接受答案结合起来。

对于您提供的图片：

Angle is -25.953375702364195

Answer 2

如果保证背景是饱和白色（值 255）并且文档大部分是不饱和值，则在阈值 255 以下进行二值化并拟合边界矩形。

Answer 3

使用 cv2.boundingRect 将为您提供适合轮廓的最小非旋转矩形。 cv2.boundingRect 结果：

您需要使用 cv2.minAreaRect 而不是 cv2.boundingRect 来获得适合轮廓的矩形。 cv2.minAreaRect 结果：

获取旋转后的矩形信息后，需要找到模型点与当前点之间的仿射变换矩阵。当前点是在旋转矩形中找到的点，模型点是原始对象的点。在这种情况下，对象具有初始位置 (0,0) 和旋转矩形的宽度和高度。

仿射在这里可能有点过头了，但一般来说使用仿射变换。

详细解释位于代码中。

import cv2
import numpy as np

img = cv2.imread('Bcm3h.png')

## (1) Convert to gray, and threshold
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
th, threshed = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY_INV)


## (2) Morph-op to remove noise
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (11,11))
morphed = cv2.morphologyEx(threshed, cv2.MORPH_CLOSE, kernel)

## (3) Find the max-area contour
cnts = cv2.findContours(morphed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
cnt = sorted(cnts, key=cv2.contourArea)[-1]


## This will extract the rotated rect from the contour
rot_rect = cv2.minAreaRect(cnt)

# Extract useful data
cx,cy = (rot_rect[0][0], rot_rect[0][1]) # rect center
sx,sy = (rot_rect[1][0], rot_rect[1][1]) # rect size
angle = rot_rect[2] # rect angle


# Set model points : The original shape
model_pts = np.array([[0,sy],[0,0],[sx,0],[sx,sy]]).astype('int')
# Set detected points : Points on the image
current_pts = cv2.boxPoints(rot_rect).astype('int')

# sort the points to ensure match between model points and current points
ind_model = np.lexsort((model_pts[:,1],model_pts[:,0]))
ind_current = np.lexsort((current_pts[:,1],current_pts[:,0]))

model_pts = np.array([model_pts[i] for i in ind_model])
current_pts = np.array([current_pts[i] for i in ind_current])


# Estimate the transform betwee points
M = cv2.estimateRigidTransform(current_pts,model_pts,True)

# Wrap the image
wrap_gray = cv2.warpAffine(gray, M, (int(sx),int(sy)))


# for display
cv2.imshow("dst",wrap_gray)
cv2.waitKey(0)

#cv2.imwrite("001.png", dst) 

结果：