如何使用OpenCV检测识别图像中的矩形等已知形状

常规Canny边缘检测+全局阈值+轮廓筛选的方案漏检黑框，核心原因是黑框与背景灰度差偏小，边缘检测阶段容易把空心框的内外边缘拆成非闭合碎段，无法被识别为有效轮廓。

可复现的实现流程 #

• 预处理阶段不要直接对原图做边缘检测：先转灰度图，调用cv2.normalize()将灰度值拉伸到0~255区间，强化暗部黑框与背景的对比度，避免暗部灰度差被压缩。
• 二值化阶段弃用全局阈值和Canny：改用cv2.adaptiveThreshold()做反向自适应二值化，参数选高斯加权自适应计算（cv2.ADAPTIVE_THRESH_GAUSSIAN_C）、二值类型为cv2.THRESH_BINARY_INV，邻域块大小设为15_{25，偏移常数C设为5}8，可完整提取黑框的连通域，不会出现边缘碎裂问题。
• 形态学补全：用3*3矩形核对二值图做2次闭运算，补上黑框边缘可能存在的断点，保证轮廓闭合。
• 轮廓筛选逻辑：调用cv2.findContours()检索所有轮廓，遍历筛选时不要仅以面积最大为判定条件，增加两个约束：
  • 轮廓最小外接矩形的宽高比在0.9~1.1区间（匹配正方形框的比例特征）
  • 轮廓自身面积与外接矩形面积的比值在0.3~0.6区间（空心方框的面积占比远低于实心块，可直接过滤实心干扰区域）
• 最终对筛选出的目标轮廓调用cv2.minAreaRect()生成最小外接矩形，绘制到原图即可得到黑框外围的边界框。

形状匹配函数的使用说明 #

cv2.matchShapes()是基于Hu矩实现的轮廓匹配函数，对旋转、缩放变换有较好鲁棒性，但对输入轮廓的完整性要求极高，在无法提取到闭合完整轮廓的场景下无法生效。待上述流程可以稳定提取闭合目标轮廓后，若后续使用自定义形状的芯片对齐标记，可提前存储标记的标准轮廓，用该函数做形状校验，进一步降低误检率。

探针高精度对齐场景的优化建议 #

• 芯片端的对齐标记不建议选用单空心黑框，优先选用十字标记、嵌套双矩形/双环标记，这类标记的抗光照干扰能力更强，特征辨识度更高。
• 粗定位到标记区域后，可调用cv2.findTransformECC()做亚像素级位姿匹配，定位精度可达0.01像素级，完全满足探针自动对齐的精度要求。

OpenCV官方示例测试图
轮廓漏检的运行结果示例

内容的提问来源于stack exchange，提问作者iHnR