如何用OpenCV Python提取包装箱上白色运单标签的完整区域？

我有一批印有运单标签的包装箱图片，需要提取标签的完整白色区域。作为OpenCV新手，我参考了Stack Overflow的「detect rectangle in image and crop」回答，编写了如下代码，但该代码仅能提取标签的顶部区域：

import cv2
import numpy as np

path_to_image = 'IMG_0184b.jpg'

img = cv2.imread(path_to_image)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.bilateralFilter(gray, 0, 17, 17)

kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(gray,kernel,iterations = 2)
kernel = np.ones((4,4),np.uint8)
dilation = cv2.dilate(erosion,kernel,iterations = 2)

edged = cv2.Canny(dilation, 30, 200)
cnt, h = cv2.findContours(edged,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

largestArea = []
for contour in cnt:
    largestArea.append(cv2.contourArea(contour))

print(sorted(largestArea, reverse=True)[0:3])
for contour in cnt:
    approx = cv2.approxPolyDP(contour, 0.01* cv2.arcLength(contour, True), True)
    area = cv2.contourArea(contour)
    if area == 612144.5:
        cv2.drawContours(img, [approx], 0, (0, 0, 0), 5)
        x = approx.ravel()[0]
        y = approx.ravel()[1] - 5
        if len(approx) == 4 :
            x, y , w, h = cv2.boundingRect(approx)
            aspectRatio = float(w)/h
            if aspectRatio >= 0.95 and aspectRatio < 1.05:
                cv2.putText(img, "square", (x, y), cv2.FONT_HERSHEY_COMPLEX, 0.5, (0, 0, 0))
            else:
                cv2.putText(img, "rectangle", (x, y), cv2.FONT_HERSHEY_COMPLEX, 0.5, (0, 0, 0))

cv2.namedWindow('custom window', cv2.WINDOW_KEEPRATIO)
cv2.imshow('custom window', img)
cv2.resizeWindow('custom window', 800, 800)
cv2.waitKey(0)
cv2.destroyAllWindows()

原始图片：

期望结果：

如何实现完整白色标签区域的提取？

现有代码的核心问题是硬编码了目标区域的面积值，仅适配单张特定图片，且未利用白色标签的颜色特征做精准筛选，导致只能匹配局部区域。以下是针对白色标签提取的通用方案：

核心思路 #

1. 颜色阈值筛选白色区域：从HSV空间提取白色像素，利用白色标签与棕色包装箱的明显颜色差异，比边缘检测更精准。
2. 形态学操作去噪：通过膨胀、腐蚀消除小噪点，让白色标签区域形成完整连通块。
3. 筛选最大轮廓并裁剪：自动识别面积最大的连通轮廓（即白色标签），提取其外接矩形完成裁剪。

完整代码 #

import cv2
import numpy as np

path_to_image = 'IMG_0184b.jpg'
img = cv2.imread(path_to_image)
original = img.copy()

# 转换为HSV空间，更易筛选白色
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 白色的HSV阈值范围（可根据实际图片微调）
lower_white = np.array([0, 0, 200])
upper_white = np.array([180, 25, 255])
mask = cv2.inRange(hsv, lower_white, upper_white)

# 形态学操作：先膨胀填补空洞，再腐蚀消除噪点
kernel = np.ones((7,7), np.uint8)
mask = cv2.dilate(mask, kernel, iterations=2)
mask = cv2.erode(mask, kernel, iterations=2)

# 寻找轮廓并筛选最大的白色区域
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
largest_contour = max(contours, key=cv2.contourArea)

# 获取外接矩形并裁剪标签
x, y, w, h = cv2.boundingRect(largest_contour)
cropped_label = original[y:y+h, x:x+w]

# 显示并保存结果
cv2.namedWindow('Cropped Label', cv2.WINDOW_KEEPRATIO)
cv2.imshow('Cropped Label', cropped_label)
cv2.resizeWindow('Cropped Label', 800, 600)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('cropped_label.jpg', cropped_label)

优化说明 #

• 阈值微调：若其他图片白色标签亮度不同，可调整lower_white的第三个参数（亮度值），适配偏暗的白色区域。
• 倾斜矫正：如果标签存在明显倾斜，可通过cv2.approxPolyDP提取四个顶点，再用cv2.getPerspectiveTransform做透视矫正，保证标签方正。
• 通用性提升：去掉硬编码面积值，自动筛选最大轮廓，适配不同尺寸的包装箱图片。

内容的提问来源于stack exchange，提问作者user13506452