Great question! Since you already have corner detection and Euclidean distance calculations under your belt, you're halfway there. Let's break down practical methods tailored to your problem—working with distance values instead of grayscale intensities—to detect if a Rubik's cube is present in an image.

方法1：基于参考距离特征的阈值筛选 #

This is the simplest approach, leveraging your existing reference image (cube-only) to define "valid" distance ranges that match the cube's corner geometry.

步骤： #

1. 预计算参考距离统计值：
   • 用cv2.goodFeaturesToTrack()提取纯魔方图像的角点。
   • 计算这些角点之间所有两两欧氏距离。
   • 计算这些距离的均值（μ）和标准差（σ）——这就是魔方角点的典型距离范围。
2. 验证测试图像：
   • 对每张测试图（带魔方背景/纯背景）提取角点并计算两两距离。
   • 统计有多少距离落在[μ-2σ, μ+2σ]范围内（这个区间覆盖了正态分布中~95%的有效值）。
   • 如果有效距离占总距离的比例超过阈值（比如60%），就说明图像中大概率存在魔方。

代码示例： #

import cv2
import numpy as np

# ----------------------
# Step 1: 处理参考图像（仅魔方）
# ----------------------
ref_img = cv2.imread("cube_only.jpg")
ref_gray = cv2.cvtColor(ref_img, cv2.COLOR_BGR2GRAY)
# 检测角点（所有图像用相同参数！）
ref_corners = cv2.goodFeaturesToTrack(
    ref_gray, maxCorners=100, qualityLevel=0.01, minDistance=10
)
ref_corners = np.int0(ref_corners)

# 计算所有两两欧氏距离
ref_distances = []
for i in range(len(ref_corners)):
    x1, y1 = ref_corners[i].ravel()
    for j in range(i + 1, len(ref_corners)):
        x2, y2 = ref_corners[j].ravel()
        dist = np.sqrt((x1 - x2) ** 2 + (y1 - y2) ** 2)
        ref_distances.append(dist)

# 计算参考统计值
ref_mean = np.mean(ref_distances)
ref_std = np.std(ref_distances)
distance_range = (ref_mean - 2 * ref_std, ref_mean + 2 * ref_std)
min_corner_ratio = 0.5  # 角点太少直接判定无魔方
valid_distance_ratio_thresh = 0.6  # 根据测试调整阈值

# ----------------------
# Step 2: 测试图像验证函数
# ----------------------
def has_rubiks_cube(test_img_path):
    test_img = cv2.imread(test_img_path)
    test_gray = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)
    test_corners = cv2.goodFeaturesToTrack(
        test_gray, maxCorners=100, qualityLevel=0.01, minDistance=10
    )

    # 快速过滤：角点数量不足直接返回False
    if test_corners is None or len(test_corners) < len(ref_corners) * min_corner_ratio:
        return False
    test_corners = np.int0(test_corners)

    # 计算测试图的角点距离
    test_distances = []
    for i in range(len(test_corners)):
        x1, y1 = test_corners[i].ravel()
        for j in range(i + 1, len(test_corners)):
            x2, y2 = test_corners[j].ravel()
            dist = np.sqrt((x1 - x2) ** 2 + (y1 - y2) ** 2)
            test_distances.append(dist)

    # 统计有效距离数量
    valid_count = sum(
        1 for d in test_distances if distance_range[0] <= d <= distance_range[1]
    )
    valid_ratio = valid_count / len(test_distances)

    return valid_ratio > valid_distance_ratio_thresh

# 测试函数
print(has_rubiks_cube("cube_with_bg.jpg"))  # 应返回True
print(has_rubiks_cube("bg_only.jpg"))        # 应返回False

方法2：K-Means聚类区分有效距离 #

如果背景角点产生的距离和魔方的距离范围有重叠，聚类可以把距离值分成两类：魔方相关的距离和背景随机距离。

步骤： #

1. 准备数据：把测试图的距离值转换成聚类算法需要的二维数组。
2. K-Means聚类：用K-Means把距离分成2簇，其中一簇的中心会接近参考均值（魔方距离），另一簇对应背景距离。
3. 验证簇：检查匹配参考均值的簇是否有足够多的样本，以此判断是否存在魔方。

代码示例（使用scikit-learn）： #

from sklearn.cluster import KMeans

def has_cube_kmeans(test_img_path):
    # 复用方法1中的角点提取和距离计算逻辑
    test_img = cv2.imread(test_img_path)
    test_gray = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)
    test_corners = cv2.goodFeaturesToTrack(
        test_gray, maxCorners=100, qualityLevel=0.01, minDistance=10
    )
    if test_corners is None or len(test_corners) < len(ref_corners)*min_corner_ratio:
        return False
    test_corners = np.int0(test_corners)
    
    test_distances = []
    for i in range(len(test_corners)):
        x1, y1 = test_corners[i].ravel()
        for j in range(i+1, len(test_corners)):
            x2, y2 = test_corners[j].ravel()
            dist = np.sqrt((x1-x2)**2 + (y1-y2)**2)
            test_distances.append(dist)
    
    # 重塑数据适配K-Means
    test_distances = np.array(test_distances).reshape(-1, 1)
    # 聚成2类
    kmeans = KMeans(n_clusters=2, random_state=42)
    labels = kmeans.fit_predict(test_distances)
    
    # 找到最接近参考均值的簇
    cluster_centers = kmeans.cluster_centers_.flatten()
    target_cluster_idx = np.argmin(np.abs(cluster_centers - ref_mean))
    
    # 检查目标簇的样本占比
    target_count = np.sum(labels == target_cluster_idx)
    return target_count / len(test_distances) > 0.5

方法3：距离直方图匹配 #

这个方法通过直方图相似度指标，对比测试图和参考图的距离分布。

步骤： #

1. 创建参考直方图：把参考图的距离分成若干区间，生成直方图。
2. 创建测试直方图：对测试图的距离做同样的处理。
3. 对比直方图：用cv2.compareHist()计算相似度（比如相关性或巴氏距离），相关性越高（接近1）说明距离分布越匹配，即存在魔方。

代码片段： #

def has_cube_histogram(test_img_path):
    # 获取测试图的距离（复用之前的逻辑）
    # ...
    
    # 生成直方图
    bins = 20
    ref_hist, _ = np.histogram(ref_distances, bins=bins, range=(0, max(ref_distances)))
    test_hist, _ = np.histogram(test_distances, bins=bins, range=(0, max(ref_distances)))
    
    # 归一化直方图
    ref_hist = cv2.normalize(ref_hist, ref_hist).flatten()
    test_hist = cv2.normalize(test_hist, test_hist).flatten()
    
    # 计算相关性（值越高越相似）
    similarity = cv2.compareHist(ref_hist, test_hist, cv2.HISTCMP_CORREL)
    return similarity > 0.7  # 根据测试调整阈值

实践建议 #

• 保持角点检测参数一致：所有图像使用相同的maxCorners、qualityLevel和minDistance，确保对比公平。
• 预处理图像：角点检测前用cv2.GaussianBlur()做高斯模糊，减少噪声提升一致性。
• 优化距离计算：不用计算所有两两距离，可考虑计算角点凸包（cv2.convexHull()）顶点间的距离，减少计算量同时聚焦于魔方最外层的特征角点。

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