如何确定图像中旋转边界框的角度、中心及中点并实现多目标计数

嘿，我帮你排查了代码里的几个关键问题——这也是很多人处理旋转边界框时容易踩的坑，咱们一步步来解决你的多目标旋转框检测、角度计算和计数问题：

你代码里最致命的错误是计算矩时一直用contours[0]，也就是始终取第一个轮廓的矩来计算角度，不管循环到哪个目标，所以所有目标的角度都和第一个目标完全一致！这直接导致了角度结果异常。

1. 修复角度计算的核心错误 #

把M = cv2.moments(contours[0])改成M = cv2.moments(cntr)，这样每个轮廓都用自己的矩来计算角度。另外补充一个细节：矩计算的角度范围是[-45°, 45°]，可以把它转换为更直观的[0°, 90°]范围，方便和cv2.minAreaRect的角度对应。

2. 提升多目标计数的可靠性 #

当前的形态学操作和轮廓提取逻辑容易丢失小目标或合并相邻目标，建议调整：

• 把大尺寸的腐蚀核（11x11）缩小到3x3或5x5，改用开运算（先腐蚀再膨胀）去除噪声，同时保留目标轮廓
• 用cv2.RETR_EXTERNAL代替cv2.RETR_TREE，只提取最外层轮廓，避免嵌套轮廓干扰计数
• 增加轮廓面积过滤，排除过小的噪声轮廓

3. 更准确的边界框中点与中心计算 #

你之前通过线交点计算中心的方式依赖cv2.boxPoints返回的点顺序，但这个顺序是不固定的，容易出错。建议直接从cv2.minAreaRect的返回值中获取旋转框的中心，同时对box点排序后再计算四条边的中点，避免顺序混乱。

import cv2
import numpy as np
from math import degrees, sqrt

a = 45
count = 0
kernel_size = 5  # 缩小腐蚀核，避免过度侵蚀目标
min_contour_area = 100  # 过滤噪声轮廓的面积阈值
path = "./"  # 替换为你的实际路径

# 读取并预处理图像
image = cv2.imread(path + 'camera1' + str(a) + '.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0)
thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# 开运算：先腐蚀去噪声，再膨胀还原目标轮廓
kernel = np.ones((kernel_size, kernel_size), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 提取最外层轮廓，避免嵌套轮廓干扰
contours = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = contours[0] if len(contours) == 2 else contours[1]

result = image.copy()

for cntr in contours:
    # 过滤过小的噪声轮廓
    area = cv2.contourArea(cntr)
    if area < min_contour_area:
        continue
    count += 1  # 有效目标计数

    # 获取普通边界框和旋转最小外接矩形
    x, y, w, h = cv2.boundingRect(cntr)
    rect = cv2.minAreaRect(cntr)
    box = cv2.boxPoints(rect)
    box = np.int0(box)

    # 关键修改：使用当前轮廓的矩计算质心和角度
    M = cv2.moments(cntr)
    if M["m00"] == 0:  # 避免除以0的异常
        continue
    centroid = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))
    
    # 计算旋转角度并转换为0-90度范围
    theta = 0.5 * np.arctan2(2 * M["mu11"], M["mu20"] - M["mu02"])
    angle = degrees(theta)
    if angle < -45:
        angle += 90

    # 直接从minAreaRect获取旋转框中心，比线交点更稳定
    rect_center = (int(rect[0][0]), int(rect[0][1]))

    # 对box点排序，确保顶点顺序固定，再计算四条边中点
    box_sorted = sorted(box, key=lambda p: p[0] + p[1])
    top_left, bottom_right = box_sorted[0], box_sorted[-1]
    box_sorted_remaining = sorted(box_sorted[1:-1], key=lambda p: p[0] - p[1])
    top_right, bottom_left = box_sorted_remaining[0], box_sorted_remaining[1]

    midupper = ((top_left[0] + top_right[0]) // 2, (top_left[1] + top_right[1]) // 2)
    midlower = ((bottom_left[0] + bottom_right[0]) // 2, (bottom_left[1] + bottom_right[1]) // 2)
    midleft = ((top_left[0] + bottom_left[0]) // 2, (top_left[1] + bottom_left[1]) // 2)
    midright = ((top_right[0] + bottom_right[0]) // 2, (top_right[1] + bottom_right[1]) // 2)

    # 绘制标注元素
    cv2.circle(result, midleft, 2, (0, 0, 0), 4)
    cv2.circle(result, midright, 2, (255, 255, 255), 4)
    cv2.line(result, midupper, midlower, (0, 255, 0), 2)
    cv2.line(result, midleft, midright, (0, 255, 0), 2)
    cv2.putText(result, f"w={w},h={h}", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
    cv2.putText(result, f"angle={round(angle,2)}", (x + 200, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
    cv2.putText(result, f"Cx={rect_center[0]},Cy={rect_center[1]}", (rect_center[0], rect_center[1] + 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
    cv2.drawContours(result, [box], 0, (255, 0, 0), 2)
    cv2.circle(result, centroid, 3, (0, 0, 255), -1)  # 绘制质心

# 显示总计数
cv2.putText(result, f"Total Objects: {count}", (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

如果你的目标存在严重重叠或复杂背景，传统的计算机视觉方法可能会力不从心，可以考虑使用基于深度学习的旋转目标检测模型（比如YOLOv8的旋转版本、DOTA系列模型），这类模型在多目标、复杂场景下的准确性会高很多。

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