使用OpenCV检测含多矩形框图像旋转角度时浮点数误差问题求助

问题根源 #

浮点数角度检测失效的核心原因：

• 整数角度旋转时边缘对齐像素网格，边缘清晰连续；浮点数旋转后边缘会做插值处理，产生锯齿、模糊、断裂，固定的Canny阈值100/100会直接过滤掉大量弱边缘
• 霍夫变换HoughLinesP参数过于严苛：minLineLength=1000要求直线至少1000像素长，断裂后的边缘达不到长度阈值直接被丢弃；角度步长设置为1度，本身就无法精准捕捉非整数角度
• 缺少异常角度过滤逻辑，噪声直线（比如斜向的纹理）会直接干扰结果，出现45度这类异常输出

现有代码修复方案 #

1. 优化边缘检测预处理 #

先做高斯模糊减少锯齿噪声，用动态阈值替代固定Canny阈值：

import numpy as np
import math
import cv2

img_gray = cv2.cvtColor(img_before, cv2.COLOR_BGR2GRAY)
# 高斯模糊降噪，适配旋转后的锯齿边缘
img_blur = cv2.GaussianBlur(img_gray, (3,3), 0)
# 基于灰度中值动态计算Canny阈值
v = np.median(img_blur)
lower = int(max(0, 0.66 * v))
upper = int(min(255, 1.33 * v))
img_edges = cv2.Canny(img_blur, lower, upper, apertureSize=3)

2. 调整霍夫变换参数 #

提高角度分辨率，降低直线长度要求，适配断裂边缘：

h, w = img_before.shape[:2]
# 角度步长调整为0.1度，投票阈值降低到50，最小线长按图像尺寸自适应，最大间隙调高
lines = cv2.HoughLinesP(img_edges, 1, math.pi / 1800.0, 50, minLineLength=min(w,h)//20, maxLineGap=20)

3. 优化角度计算逻辑 #

归一化角度范围，过滤异常值，用中位数替代均值抗噪声：

angles = []
if lines is not None:
    for [[x1, y1, x2, y2]] in lines:
        angle = math.degrees(math.atan2(y2 - y1, x2 - x1))
        # 角度归一化到[-90, 90)范围
        angle = angle % 180
        if angle >= 90:
            angle -= 180
        # 矩形框边缘仅可能接近水平或垂直，过滤±20度以外的异常角度
        if abs(angle) < 20 or abs(angle - 90) < 20:
            # 垂直边缘角度转换为水平偏移角度
            if abs(angle - 90) < 20:
                angle -= 90
            angles.append(angle)

# 取中位数作为最终角度，抗噪声能力远强于均值
if angles:
    final_angle = np.median(angles)
else:
    final_angle = 0

更适合矩形场景的替代方案 #

方案1：最小外接矩形统计法 #

直接统计所有轮廓的外接矩形角度，稳定性远高于直线检测，不受边缘断裂影响：

img_gray = cv2.cvtColor(img_before, cv2.COLOR_BGR2GRAY)
# 二值化提取前景
thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

angles = []
for cnt in contours:
    # 过滤面积过小的噪声轮廓
    if cv2.contourArea(cnt) < 100:
        continue
    # 计算最小外接矩形的角度
    rect = cv2.minAreaRect(cnt)
    angle = rect[2]
    # 归一化到[-45, 45]范围
    if angle < -45:
        angle += 90
    elif angle > 45:
        angle -= 90
    angles.append(angle)

final_angle = np.median(angles) if angles else 0

方案2：傅里叶变换法 #

完全不受边缘模糊、断裂影响，对小浮点数角度检测精度极高，适合批量处理：

def get_rotate_angle(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    h, w = gray.shape
    # 傅里叶变换转换到频域
    f = np.fft.fft2(gray)
    fshift = np.fft.fftshift(f)
    magnitude_spectrum = 20 * np.log(np.abs(fshift) + 1e-8)
    # 屏蔽中心直流分量，避免干扰
    magnitude_spectrum[h//2 - 5 : h//2 + 5, w//2 -5 : w//2 +5] = 0
    # 提取频谱中前1%的峰值点
    threshold = np.percentile(magnitude_spectrum, 99)
    y, x = np.where(magnitude_spectrum > threshold)
    # 计算峰值点的角度
    angles = np.degrees(np.arctan2(y - h//2, x - w//2))
    # 归一化角度
    angles = angles % 180
    angles[angles >= 90] -= 180
    final_angle = np.median(angles)
    # 修正频谱角度和实际图像角度的偏移
    if abs(final_angle) > 45:
        final_angle -= 90 if final_angle > 0 else -90
    return -final_angle

# 调用方式
final_angle = get_rotate_angle(img_before)

内容的提问来源于stack exchange，提问作者goodwin