基于OpenCV的椭圆最佳匹配检测：汽车图像轮毂区域提取方法问询

现有代码优化方向 #

你当前已完成基础的阈值分割与轮廓绘制，后续只需要补充轮廓筛选、外接矩形计算、裁剪三个步骤即可实现需求：

• 轮廓筛选：利用轮毂接近圆形的特征，通过圆度参数过滤掉非车轮的无效轮廓，同时增加面积阈值过滤过小的噪点
• 外接矩形计算：对筛选后的车轮轮廓计算最小外接矩形，按需添加内边距
• 区域裁剪：根据调整后的外接矩形坐标裁剪原始图像即可得到目标结果

完整实现代码 #

import cv2
import numpy as np

# 读取图像
img = cv2.imread(path)
# 备份原始图像用于裁剪，避免绘制轮廓影响最终裁剪结果
origin_img = img.copy()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯模糊降噪，提升后续分割准确率
gray = cv2.GaussianBlur(gray, (5,5), 0)
ret, th = cv2.threshold(gray, 127, 255, 0)

contours, hierarchy = cv2.findContours(th, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 筛选参数配置，可根据实际图像分辨率、拍摄距离调整
min_roundness = 0.7 # 圆度阈值，完美圆形圆度为1，数值越高筛选越严格
min_area = 1000 # 最小面积阈值，过滤噪点产生的小轮廓
padding = 20 # 裁剪区域内边距，单位为像素

wheel_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < min_area:
        continue
    perimeter = cv2.arcLength(cnt, True)
    # 计算轮廓圆度
    roundness = 4 * np.pi * area / (perimeter ** 2)
    if roundness >= min_roundness:
        wheel_contours.append(cnt)

# 裁剪并保存车轮区域
for index, cnt in enumerate(wheel_contours):
    x, y, w, h = cv2.boundingRect(cnt)
    # 处理边界，避免添加内边距后超出图像范围
    x1 = max(0, x - padding)
    y1 = max(0, y - padding)
    x2 = min(img.shape[1], x + w + padding)
    y2 = min(img.shape[0], y + h + padding)
    # 裁剪得到目标车轮区域
    wheel_region = origin_img[y1:y2, x1:x2]
    # 保存裁剪结果，可根据需要调整存储路径
    cv2.imwrite(f"wheel_{index}.png", wheel_region)

场景适配优化 #

如果普通阈值分割在复杂光照、背景场景下效果不佳，可以将阈值分割步骤替换为cv2.Canny边缘检测，或者直接使用霍夫圆变换cv2.HoughCircles检测圆形特征，进一步提升识别准确率。

内容的提问来源于stack exchange，提问作者Evan Lalo