处理连续（环绕式）管道内壁全景图像的技术方案

针对管道360°全景图左右边缘相连，但形状识别时被截断的目标无法检测的问题，除了复制左侧区域到右侧的方法，还有以下更高效的方案：

1. 小范围过渡区域检测+坐标映射 #

不用复制整段左侧区域，而是截取原图像右侧10%区域 + 左侧10%区域拼接成一个过渡检测图，单独对这个小图做Blob检测：

• 若检测到的Blob在过渡图的左半段（对应原图像右侧），坐标直接保留；
• 若在过渡图的右半段（对应原图像左侧），将x坐标加上原图像宽度W，后续处理时判断x超过W的就减去W，即可映射回原图像左侧的真实位置。
  这种方法减少了冗余计算，避免对整幅图像重复检测。

2. 极坐标转换消除边界截断 #

把全景图转换成极坐标系，原本的左右边界会合并成一个点，截断的形状会变成完整的闭合区域，检测完成后再转换回笛卡尔坐标：

import cv2
import numpy as np

# 笛卡尔坐标转极坐标
def cart_to_polar(img):
    h, w = img.shape[:2]
    center = (w // 2, h // 2)
    max_radius = min(center[0], center[1])
    # 极坐标转换，旋转后让原左右边界对齐
    polar_img = cv2.warpPolar(img, (w, h), center, max_radius, cv2.WARP_POLAR_LINEAR)
    polar_img = cv2.rotate(polar_img, cv2.ROTATE_90_COUNTERCLOCKWISE)
    return polar_img, center, max_radius

# 极坐标转回笛卡尔坐标
def polar_to_cart(polar_img, center, max_radius):
    h, w = polar_img.shape[:2]
    polar_img = cv2.rotate(polar_img, cv2.ROTATE_90_CLOCKWISE)
    cart_img = cv2.warpPolar(polar_img, (w, h), center, max_radius, cv2.WARP_POLAR_LINEAR + cv2.WARP_INVERSE_MAP)
    return cart_img

# 示例流程
src_img = cv2.imread("pipe_pano.jpg", 0)
polar_img, center, max_radius = cart_to_polar(src_img)

# 初始化Blob检测器并检测
detector = cv2.SimpleBlobDetector_create()
polar_kps = detector.detect(polar_img)

# 将关键点映射回原图像
original_kps = []
for kp in polar_kps:
    x_p, y_p = kp.pt
    # 还原旋转
    x_rot = y_p
    y_rot = polar_img.shape[1] - x_p
    # 极坐标转笛卡尔坐标
    theta = (x_rot / polar_img.shape[1]) * 2 * np.pi
    r = (y_rot / polar_img.shape[0]) * max_radius
    x = center[0] + r * np.cos(theta)
    y = center[1] + r * np.sin(theta)
    original_kps.append(cv2.KeyPoint(x, y, kp.size))

3. 跨边界轮廓匹配合并 #

先在原图像上检测所有轮廓，筛选出靠近左右边缘（如x < W0.1 或 x > W0.9）的轮廓：

• 将左侧轮廓的x坐标统一加上W，让它们和右侧轮廓处于同一“虚拟连续区域”；
• 通过轮廓的面积、周长、Hu矩等特征匹配属于同一形状的两个截断轮廓；
• 合并匹配成功的轮廓后，再进行形状识别或Blob检测。

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