无需手动选点的高效透视变换实现方法

针对手动选点效率低的问题，以下两种方案兼顾变换质量与操作简便性，可根据场景灵活选择：

方法一：边缘检测+轮廓提取（适用于目标区域对比度明显的场景） #

通过提取图像边缘并筛选目标四边形轮廓，自动获取透视变换的源点，鲁棒性较强，无需复杂参数调优。

实现步骤 #

• 将去畸变图像转为灰度图并高斯模糊降噪
• 用Canny算子检测边缘
• 提取轮廓并筛选出面积最大的四边形轮廓
• 对轮廓顶点按左上→右上→右下→左下的顺序排序
• 根据目标尺寸或源点包围盒生成目标点
• 计算变换矩阵并执行透视变换

代码示例 #

import cv2
import numpy as np

def auto_perspective_edge(img, target_width=None, target_height=None):
    # 预处理：灰度化+高斯模糊
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5,5), 0)
    
    # Canny边缘检测
    edges = cv2.Canny(blurred, 50, 150)
    
    # 提取并筛选四边形轮廓
    contours, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
    
    src_points = None
    for cnt in contours:
        perimeter = cv2.arcLength(cnt, True)
        approx = cv2.approxPolyDP(cnt, 0.02*perimeter, True)
        if len(approx) == 4:
            src_points = np.float32([p[0] for p in approx])
            break
    
    if src_points is None:
        raise ValueError("未检测到有效四边形轮廓")
    
    # 顶点排序
    def sort_points(points):
        sorted_sum = sorted(points, key=lambda p: p[0]+p[1])
        top_left, bottom_right = sorted_sum[0], sorted_sum[-1]
        remaining = sorted_sum[1:-1]
        sorted_x = sorted(remaining, key=lambda p: p[0])
        bottom_left, top_right = sorted_x[0], sorted_x[1]
        return np.float32([top_left, top_right, bottom_right, bottom_left])
    
    src_sorted = sort_points(src_points)
    
    # 生成目标点
    if target_width is None or target_height is None:
        width = int(max(np.linalg.norm(src_sorted[0]-src_sorted[1]), 
                       np.linalg.norm(src_sorted[2]-src_sorted[3])))
        height = int(max(np.linalg.norm(src_sorted[0]-src_sorted[3]), 
                        np.linalg.norm(src_sorted[1]-src_sorted[2])))
    else:
        width, height = target_width, target_height
    
    dst_sorted = np.float32([[0,0], [width,0], [width,height], [0,height]])
    
    # 执行透视变换
    M = cv2.getPerspectiveTransform(src_sorted, dst_sorted)
    warped = cv2.warpPerspective(img, M, (width, height), flags=cv2.INTER_LINEAR)
    return warped

# 使用示例
img = cv2.imread("undistorted_img.jpg")
warped_img = auto_perspective_edge(img, target_width=350, target_height=130)
cv2.imwrite("warped_result.jpg", warped_img)

方法二：角点检测+凸包筛选（适用于目标区域角点特征明显的场景） #

通过Shi-Tomasi角点检测提取强角点，再用凸包筛选出最外围的四个点，适合边缘不连续的目标区域。

实现步骤 #

• 灰度化后用Shi-Tomasi算法检测强角点
• 用凸包筛选出构成目标四边形的四个角点
• 排序后生成源点，定义目标点并执行变换

代码示例 #

import cv2
import numpy as np

def auto_perspective_corner(img, target_width=None, target_height=None):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Shi-Tomasi角点检测
    corners = cv2.goodFeaturesToTrack(gray, maxCorners=10, qualityLevel=0.01, minDistance=30)
    corners = np.float32(corners).reshape(-1,2)
    
    if len(corners) <4:
        raise ValueError("检测到的角点数量不足")
    
    # 筛选最外围的四个角点
    hull = cv2.convexHull(corners)
    hull = np.float32([p[0] for p in hull])
    
    if len(hull) !=4:
        # 凸包非四边形时，取距离中心最远的四个点
        center = np.mean(corners, axis=0)
        distances = np.linalg.norm(corners - center, axis=1)
        top4_idx = distances.argsort()[-4:]
        hull = corners[top4_idx]
    
    # 顶点排序（同方法一）
    def sort_points(points):
        sorted_sum = sorted(points, key=lambda p: p[0]+p[1])
        top_left, bottom_right = sorted_sum[0], sorted_sum[-1]
        remaining = sorted_sum[1:-1]
        sorted_x = sorted(remaining, key=lambda p: p[0])
        bottom_left, top_right = sorted_x[0], sorted_x[1]
        return np.float32([top_left, top_right, bottom_right, bottom_left])
    
    src_sorted = sort_points(hull)
    
    # 生成目标点并执行变换
    if target_width is None or target_height is None:
        width = int(max(np.linalg.norm(src_sorted[0]-src_sorted[1]), 
                       np.linalg.norm(src_sorted[2]-src_sorted[3])))
        height = int(max(np.linalg.norm(src_sorted[0]-src_sorted[3]), 
                        np.linalg.norm(src_sorted[1]-src_sorted[2])))
    else:
        width, height = target_width, target_height
    
    dst_sorted = np.float32([[0,0], [width,0], [width,height], [0,height]])
    M = cv2.getPerspectiveTransform(src_sorted, dst_sorted)
    warped = cv2.warpPerspective(img, M, (width, height), flags=cv2.INTER_LINEAR)
    return warped

# 使用示例
img = cv2.imread("undistorted_img.jpg")
warped_img = auto_perspective_corner(img, target_width=350, target_height=130)
cv2.imwrite("warped_result_corner.jpg", warped_img)

实用提示 #

• 若目标区域对比度低，可先添加Otsu二值化步骤增强特征
• 需根据实际场景微调参数（如Canny阈值、角点检测的qualityLevel）
• 顶点排序逻辑必须保证源点与目标点的顺序完全匹配，否则会出现扭曲

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