如何从边缘检测得到的点列表中筛选构成矩形的4个最优坐标点

针对边缘检测后从坐标点集中筛选近似矩形顶点的需求，可采用凸包+多边形拟合的组合方案，相比暴力遍历效率更高，且能适配允许微小梯形偏差的场景，具体实现逻辑如下：

实现步骤 #

• 第一步：对输入的所有坐标点计算凸包，自动过滤掉落在轮廓内部的无效点，你示例中提到的E、F两点属于内部噪声点，这一步就能直接排除
• 第二步：对凸包的外围点做多边形近似拟合，通过调整精度阈值控制拟合的宽松度，筛选出4个最接近矩形顶点的坐标
• 第三步：如果拟合结果不符合4点要求，可 fallback 到最小外接矩形计算，直接得到贴合所有有效点的近似矩形顶点

代码实现 #

你可以直接使用OpenCV封装好的几何计算能力实现，提前安装依赖：pip install numpy opencv-python

import cv2
import numpy as np

def filter_rectangle_points(points):
    # 转换为OpenCV支持的numpy格式
    points_np = np.array(points, dtype=np.int32)
    # 计算凸包过滤内部无效点
    hull = cv2.convexHull(points_np)
    # 多边形拟合，epsilon参数控制拟合精度，可根据误差需求调整
    epsilon = 0.05 * cv2.arcLength(hull, closed=True)
    approx = cv2.approxPolyDP(hull, epsilon, closed=True)
    # 拟合结果为4个点时直接返回
    if len(approx) == 4:
        return [tuple(pt[0]) for pt in approx]
    # 拟合结果不符合时，返回最小外接矩形的4个顶点
    else:
        rect = cv2.minAreaRect(points_np)
        box = cv2.boxPoints(rect)
        box = np.int0(box)
        return [tuple(pt) for pt in box]

# 示例点集测试
p = [(8,133), (78,13), (242,89), (183,217), (217,235), (213,240)]
print(filter_rectangle_points(p))

效果说明 #

你的示例点集运行后会自动剔除2个无效点，输出4个近似矩形的顶点，微小的梯形偏差不会影响结果。如果要求输出的顶点必须是原始点集中的点，可替换第二步逻辑：遍历凸包上所有4点子集，计算每个子集的四个内角与90度的平均偏差，取偏差最小的那组即可，准确率远高于暴力对比面积的方案。

示例图 #

内容的提问来源于stack exchange，提问作者Mc Midas