OpenCV Python中如何区分圆形轮廓与字母/数字轮廓？

你当前通过approxPolyDP拟合轮廓后判断边数的筛选逻辑鲁棒性极低：字母、数字中的类封闭曲线（如0、O、Q）、边缘带毛刺的轮廓，拟合后的边数很容易落在你设置的8-23区间内，自然会出现大量误检。

组合使用以下几何特征约束，基本可以完全区分目标圆形与字母/数字轮廓，不需要复杂的模型方案：

• 圆度校验（核心判定条件）：正圆的圆度值为1，越接近1说明轮廓形状越接近正圆，计算公式为圆度 = 4 * π * 轮廓面积 / (轮廓周长的平方)。你场景里的规整填涂类圆形，圆度普遍在0.85以上；而字母、数字哪怕是类圆形的0、O，受字体设计、笔画粗细变化影响，圆度基本都在0.7以下，设置0.8的阈值即可筛掉90%以上的误检。
• 宽高比校验：正圆的最小外接旋转矩形为正方形，宽高比为1。计算每个轮廓的最小外接旋转矩形，要求宽高比在0.9~1.1区间内，即可直接排除扁形、长条形的字符轮廓。
• 面积范围约束：你当前仅设置了面积大于30的阈值，过于宽松。提前统计图中目标圆形的实际像素面积，设置合理的上下限（比如目标圆面积集中在100-200像素区间，就仅保留该范围的轮廓），过大、过小的干扰轮廓会被快速排除，字符轮廓的面积普遍远小于目标填涂圆，这一步可筛掉大半干扰。
• 凸性校验：正圆是完全凸的形状，凸包面积与轮廓自身面积的比值接近1。而B、8、D这类带凹陷的字符，凸性值会明显低于0.9，增加该条件可进一步筛掉带内凹的非圆轮廓。

如果是固定机位拍摄的固定版式场景（比如答题卡识别），还可以提前定位到填涂区域的ROI后再做轮廓检测，直接避开题号、字符印刷区域，准确率会进一步提升，几乎不会出现误检。

import cv2
import math

cnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
contour_list = []

# 以下阈值可根据你的实际图像调整
MIN_AREA = 80
MAX_AREA = 300
MIN_CIRCULARITY = 0.8
MIN_ASPECT_RATIO = 0.9
MAX_ASPECT_RATIO = 1.1
MIN_CONVEXITY = 0.9

for contour in cnts:
    area = cv2.contourArea(contour)
    # 优先筛面积，计算最快，提前排除小干扰
    if area < MIN_AREA or area > MAX_AREA:
        continue

    perimeter = cv2.arcLength(contour, True)
    if perimeter == 0:
        continue
    # 圆度校验
    circularity = 4 * math.pi * area / (perimeter ** 2)
    if circularity < MIN_CIRCULARITY:
        continue

    # 外接旋转矩形宽高比校验
    rect = cv2.minAreaRect(contour)
    w, h = rect[1]
    if h == 0 or w == 0:
        continue
    aspect_ratio = w / h if w > h else h / w
    if aspect_ratio < MIN_ASPECT_RATIO or aspect_ratio > MAX_ASPECT_RATIO:
        continue

    # 凸性校验
    hull = cv2.convexHull(contour)
    hull_area = cv2.contourArea(hull)
    if hull_area == 0:
        continue
    convexity = area / hull_area
    if convexity < MIN_CONVEXITY:
        continue

    contour_list.append(contour)

mcq = cv2.drawContours(paper, contour_list, -1, (255, 0, 0), 1)
cv2.imshow("thresh", thresh)
cv2.imshow("mcq", mcq)
cv2.waitKey(0)

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