在二值掩码狭长区域两端拟合圆以确定挤出机路径

核心步骤拆解 #

• 提取区域轮廓：从二值掩码中提取白色区域的轮廓点集，作为后续操作的基础。
• 定位区域两端点簇：利用狭长区域的几何特性，筛选出区域两个端部的点集合。
• 拟合端部圆并获取圆心：对两端点簇分别拟合圆，得到的圆心即可作为A*路径规划的起止节点。

具体实现细节 #

1. 提取区域轮廓

用OpenCV的findContours函数处理二值掩码，提取最外层轮廓（因每个掩码仅含单个区域）。示例代码：

import cv2
import numpy as np

# 假设已加载单通道二值掩码为binary_mask
contours, _ = cv2.findContours(binary_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contour_points = contours[0].reshape(-1, 2)  # 转换为N×2的点集格式

2. 定位区域两端点簇

针对狭长区域（长度远大于宽度），用**主成分分析（PCA）**定位长轴方向，将轮廓点投影到长轴上，取投影极值对应的点簇作为两端：

# 对轮廓点做PCA分析
mean = np.mean(contour_points, axis=0)
centered_points = contour_points - mean
cov_matrix = np.cov(centered_points.T)
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)
# 长轴对应最大特征值的特征向量
long_axis = eigenvectors[:, np.argmax(eigenvalues)]

# 将所有点投影到长轴上
projections = np.dot(centered_points, long_axis)
# 取投影值前20%和后20%的点作为两端点簇（比例可根据区域宽度调整）
sorted_indices = np.argsort(projections)
end1_points = contour_points[sorted_indices[:int(len(sorted_indices)*0.2)]]
end2_points = contour_points[sorted_indices[-int(len(sorted_indices)*0.2):]]

若端部形状规则，也可采用最远点对法：先找到轮廓中距离最远的两个点，以此为界划分两端区域。

3. 拟合端部圆

有两种常用拟合方式，可根据端部形状选择：

• 最小外接圆：用OpenCV的minEnclosingCircle生成能包裹端部点簇的最小圆，圆心直接作为起止点：

# 拟合端部1的圆
center1, radius1 = cv2.minEnclosingCircle(end1_points)
center1 = (int(center1[0]), int(center1[1]))

# 拟合端部2的圆
center2, radius2 = cv2.minEnclosingCircle(end2_points)
center2 = (int(center2[0]), int(center2[1]))

• 最小二乘拟合圆：更贴合点簇的实际分布，适合端部为圆弧状的场景：

def fit_circle(points):
    x = points[:, 0]
    y = points[:, 1]
    A = np.vstack([x, y, np.ones(len(x))]).T
    B = x**2 + y**2
    # 求解最小二乘方程
    coeffs, _, _, _ = np.linalg.lstsq(A, B, rcond=None)
    cx = coeffs[0]/2
    cy = coeffs[1]/2
    r = np.sqrt(coeffs[2] + cx**2 + cy**2)
    return (cx, cy), r

center1, radius1 = fit_circle(end1_points)
center2, radius2 = fit_circle(end2_points)

注意事项 #

• 调整端部点簇的筛选比例：若区域宽度与挤出宽度接近，可适当缩小比例（如15%），避免混入中间区域的点影响拟合精度。
• 验证拟合结果：可将拟合的圆绘制在掩码上，检查是否贴合端部，再针对性调整参数。

内容的提问来源于stack exchange，提问作者mephiengineer