【问题讨论】：
标签： python opencv pattern-recognition
在这种情况下，我首先尝试找到最佳起点。 因此，首先我对您的图像进行了阈值处理（但是我也可以对其进行骨架化，然后进行阈值处理。但是这样一些数据会不可恢复地丢失）：
然后，我尝试了大量工具来批量强调最突出的功能。最后，在玩 Gimp 的 G'MIC 插件时，我发现了这个：
基于以上我准备了一个通用模式，如下所示：
然后我得到了这张图片的一部分：
为了帮助确定角度，我制作了局部傅立叶频率图 - 这样您可以获得图案局部角度：
然后你可以制作一个在现代 GPU 上快速运行的简单粗体 - 像这样获得不同（错过的案例）：
当被击中时，差异很小；我想到的关于局部最大值的讨论或多或少是指应如何处理由此产生的差异。由于比例因子敏感性，将图案圆差异外部的权重与内部相同是不明智的。因此，在使用的算法中，内部交叉应该更多地加权。然而，与图像不同的图案看起来像这样：
如您所见，可以区分命中和未命中。至关重要的是设置适当的容差并使用傅立叶频率来获得角度（阈值图像傅立叶通常遵循分析图像的整体方向）。 上述方式可以在以后通过哈里斯检测进行补充，或者哈里斯检测可以使用上述模式进行修改，以区分两到四个靠近的角落。 不幸的是，在这种情况下，所有技术都依赖于规模，因此应适当调整。 还有其他方法可以解决您的问题，例如首先对其进行分水岭，然后获取区域，然后忽略前景，然后简化曲线，然后检查它们的角是否形成连续的等距图案。但在我看来，它不会产生正确的结果。
还有一件事 - libgmic 是 G'MIC 库，您可以在其中直接或通过绑定使用上面显示的转换。或者获取算法并在您的应用中重写它们。
【讨论】：
我想这可能是一个潜在的答案（实际上在 cmets 中提到过）：http://opencv.itseez.com/2.4/modules/imgproc/doc/feature_detection.html?highlight=hough#houghlinesp
还可以通过其他方式使用 skimage 工具进行特征检测。
但实际上，我认为不是 Hough 变换会导致巨大的膨胀和缺乏精度（直线），而是建议尝试 Harris 角点检测 - http://docs.opencv.org/2.4/doc/tutorials/features2d/trackingmotion/harris_detector/harris_detector.html。
这可以根据您的具体问题进一步调整（交叉角，因此局部最大值应取决于 crossy 的分布）。然后可以根据得到的点做一些曲线逼近。
【讨论】：
也许您可以计算Hough Lines 并确定交叉点。可以找到一个 OpenCV 文档here
【讨论】：