如何对霍夫变换检测到的邻近直线求平均以提取正确的门矩形？

我需要从图像中检测符合门的面积、长宽比条件的合适矩形来识别门。我首先使用Canny边缘检测提取边缘，再通过霍夫变换提取边缘对应的直线，得到的结果如下图所示：

目前我已经能提取出满足“门条件”的矩形对应的直线，但如图所示，大量邻近直线会生成多个符合条件的矩形。我希望将邻近直线替换为它们的平均直线来减少直线数量，但实现逻辑复杂度太高，我尝试编写了如下代码：

def segregateLines(tobesegLines):
    while True:
        noLinesLeft = True
        for i in range(0 , len(tobesegLines)):
            closeLineFound = False
            for j in range(0, len(tobesegLines)):
                if abs(tobesegLines[i][0][0] - tobesegLines[j][0][0]) < 50:
                    closeLineFound = True
                    noLinesLeft = False
                    newLines.append([[(abs(tobesegLines[i][0][0] +tobesegLines[j][0][0])) /2, tobesegLines[i][0][1]]])

            if not closeLineFound:
                newLines.append(tobesegLines[i])

        if noLinesLeft:
            break
        segregateLines(newLines)
    return newLines

但运行时出现了内存错误。请问有没有在Python中实现邻近直线求平均的方案？或者有没有其他从直线中提取正确矩形来识别门的思路？

补充说明 #

• 我已获取每条直线到原点的距离rho，且已将直线区分为近似水平和近似垂直两类。

现有代码内存报错原因 #

1. 未在每次循环/递归入口初始化newLines变量，全局共用同一个列表不断追加内容，导致内存占用无限膨胀
2. 逻辑存在重复合并问题：i和j遍历所有两两组合，同组直线会被重复计算无数次，递归逻辑错误
3. 缺失被合并直线的删除逻辑：合并后没有移除原有两条直线，反而新增了更多直线，导致直线数量越合并越多

邻近直线合并实现方案 #

因为你已经把直线区分为近似水平、近似垂直两类，两类的rho参数物理意义独立，可以分开处理，用排序后贪心合并的方案就能高效解决问题，复杂度仅为O(nlogn)，不会出现内存溢出问题：

def merge_near_lines(lines, rho_threshold=50):
    # 按rho值从小到大排序
    lines_sorted = sorted(lines, key=lambda x: x[0][0])
    merged_groups = []
    for line in lines_sorted:
        if not merged_groups:
            merged_groups.append([line])
            continue
        # 和最后一个分组的rho差值小于阈值就归为同一组
        last_group = merged_groups[-1]
        if abs(line[0][0] - last_group[0][0][0]) < rho_threshold:
            last_group.append(line)
        else:
            merged_groups.append([line])
    # 对每个分组的直线求平均rho和平均theta，生成合并后的直线
    merged_lines = []
    for group in merged_groups:
        avg_rho = sum(l[0][0] for l in group) / len(group)
        avg_theta = sum(l[0][1] for l in group) / len(group)
        merged_lines.append([[avg_rho, avg_theta]])
    return merged_lines

使用方式如下：

# 分别处理垂直、水平两类直线，两类的阈值可以根据场景调整
merged_vertical = merge_near_lines(vertical_lines, rho_threshold=50)
merged_horizontal = merge_near_lines(horizontal_lines, rho_threshold=30)
# 合并后所有直线用于后续矩形检测
all_lines = merged_vertical + merged_horizontal

其他门识别优化思路 #

• 矩形校验阶段增加过滤规则：

1. 长宽比过滤：室内门常规长宽比在1.8~3区间，可以根据你的实际场景调整阈值，过滤不符合比例的矩形
2. 内部像素校验：门的内部通常是相对均匀的低边缘区域，统计矩形框内的边缘像素占比，占比低于阈值才判定为候选门
3. 非极大值抑制：生成多个重叠矩形时，设置IOU阈值合并重叠度高的矩形，只保留置信度最高的结果
4. 轮廓检测替代纯直线检测：可以先提取图像中的闭合轮廓，再拟合最小外接矩形后校验属性，冗余结果比纯直线检测少很多

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