基于Python与OpenCV(CV2)检测特定直线以判断零件正反

针对椭圆轮廓干扰下的特定直线检测，无需深度学习模型，可通过以下步骤优化OpenCV处理流程：

一、针对性预处理，过滤椭圆边缘干扰 #

椭圆的边缘通常是连续曲线，拆分成的线段细碎且灰度变化平缓，可通过预处理强化目标直线、弱化椭圆特征：

• 定向边缘检测：如果目标直线有固定方向（如水平/垂直），用cv2.Sobel算子单独检测该方向的边缘，替代通用的Canny检测。比如检测水平直线时：

import cv2
import numpy as np

img = cv2.imread("part_img.jpg", 0)
# 水平边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
# 二值化强化直线特征
_, binary = cv2.threshold(sobel_x, 50, 255, cv2.THRESH_BINARY)

• 形态学操作：用适配直线方向的细长结构元素做膨胀，连接直线断裂部分，再用腐蚀去除椭圆的细碎边缘：

# 水平结构元素，适配水平直线
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 1))
processed = cv2.dilate(binary, kernel, iterations=1)
processed = cv2.erode(processed, kernel, iterations=1)

二、精细化HoughLinesP参数，过滤误检线段 #

HoughLinesP的参数直接决定检测结果，针对椭圆的短线段干扰，重点调整以下参数：

• minLineLength：设置为目标直线长度的最小阈值，过滤椭圆拆分出的短弧线段
• maxLineGap：根据直线连续性设置，避免直线被拆分成多段
• theta：如果目标直线方向固定，限制角度范围（比如水平直线设为np.pi/2 ± 0.1）
• threshold：提高投票阈值，只保留高置信度的直线

示例代码：

lines = cv2.HoughLinesP(
    processed,
    rho=1,
    theta=np.pi/180,
    threshold=30,
    minLineLength=80,  # 目标直线最小长度，按需调整
    maxLineGap=10,
    # 可选：限制角度范围（水平直线示例）
    theta_min=np.pi/2 - 0.17,  # 对应80度
    theta_max=np.pi/2 + 0.17   # 对应100度
)

三、基于轮廓特征二次过滤 #

先提取图像中的所有轮廓，通过几何特征区分直线和椭圆：

1. 提取并过滤小面积轮廓：

contours, _ = cv2.findContours(processed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 过滤面积过小的干扰轮廓
valid_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > 100]

2. 对轮廓做直线拟合，通过长宽比筛选直线：

target_lines = []
for cnt in valid_contours:
    # 拟合直线
    [vx, vy, x, y] = cv2.fitLine(cnt, cv2.DIST_L2, 0, 0.01, 0.01)
    # 计算轮廓最小外接矩形的长宽比
    rect = cv2.minAreaRect(cnt)
    width, height = rect[1]
    # 长宽比大于5判定为直线（按需调整阈值）
    if max(width, height) / min(width, height) > 5:
        target_lines.append((vx, vy, x, y))

四、结合零件定位信息做位置校验 #

利用已完成的零件定位结果，校验检测到的直线是否在预设区域内：

• 计算直线到零件中心的距离，只保留距离在合理范围内的直线
• 检查直线是否完全落在零件的外接框内，过滤框外的干扰线条

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