如何使用OpenCV查找含大于180°角和内凹白色椭圆形的形状

仅用文字较难描述目标特征，以下为示例图片对照表：

左侧是使用OpenCV的findContours函数检测到的示例形状，右侧用红色标注了部分尖角/锐边（大角度）以及绝大多数椭圆形“刻入”区域。内凹椭圆形结构是核心筛选特征，和误检测的噪声区分度极高。

筛选条件 #

基于OpenCV检测到的轮廓，目标形状需同时满足以下两个条件：

• 边缘处存在背景色的内凹雕刻结构
• 至少四分之一的内凹结构处存在大于180°的向内夹角

受保密协议限制无法提供原始图像，上述示例已获得授权，满足条件即可筛选出目标形状。

现有代码基础 #

已实现轮廓提取的基础代码如下：

import numpy as np
import cv2

img = np.asarray(image)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 灰度图二值化
_, threshold = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

contours, _ = cv2.findContours(threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
for i, contour in enumerate(contours):
    # 后续筛选逻辑补充处
    pass

已尝试未生效的方案 #

• cv2.approxPolyDP：可输出近似多边形，但无法直接基于输出结果识别凹形
• cv2.boundingRect：可通过坐标重叠定位特征候选区域，但无法区分尖角和平滑圆形，漏检率高

步骤1：快速筛选非凸轮廓，提取内凹区域 #

先用cv2.isContourConvex()排除全凸轮廓，减少计算量。对非凸轮廓计算凸缺陷识别所有内凹区域：

# 计算轮廓凸包，returnPoints设为False才能获取索引用于凸缺陷计算
hull = cv2.convexHull(contour, returnPoints=False)
defects = cv2.convexityDefects(contour, hull)
# 凸缺陷返回值格式：[起点索引, 终点索引, 最远点索引, 最远点到凸包的距离]

步骤2：统计内凹区域角度占比 #

对每个凸缺陷的三个关联点，用向量点积计算内凹顶点的内角，统计大于180°的夹角占比：

def calculate_angle(p1, p2, p3):
    # p2为夹角顶点
    v1 = p1 - p2
    v2 = p3 - p2
    dot_product = np.dot(v1, v2)
    cos_angle = dot_product / (np.linalg.norm(v1) * np.linalg.norm(v2))
    # 限制取值范围避免浮点计算误差
    cos_angle = np.clip(cos_angle, -1.0, 1.0)
    return np.arccos(cos_angle) * 180 / np.pi

valid_defect_count = 0
if defects is not None:
    for defect in defects:
        s, e, f, d = defect[0]
        start = tuple(contour[s][0])
        end = tuple(contour[e][0])
        far = tuple(contour[f][0])
        angle = calculate_angle(np.array(start), np.array(far), np.array(end))
        if angle > 180:
            valid_defect_count += 1
    # 判断是否满足四分之一占比要求
    if valid_defect_count / len(defects) >= 0.25:
        pass # 进入下一步椭圆判定

步骤3：判定内凹区域是否为椭圆形刻入结构 #

提取内凹区域的轮廓点，用cv2.fitEllipse()做椭圆拟合，计算拟合残差，残差低于阈值即可判定为目标椭圆形刻入结构，排除不规则噪声凹痕。

内容的提问来源于stack exchange，提问作者brunoais