使用Python与OpenCV检测图像中矩形板角点坐标的实现咨询

核心流程 #

在已经生成的Canny边缘检测结果基础上，不需要大幅修改原有边缘检测逻辑，依次完成边缘断线补全、轮廓筛选、角点精定位即可输出目标坐标。

• 对Canny输出的二值边缘图做形态学闭运算，连接断续的边缘线段，避免轮廓识别时出现断裂
• 提取图像内所有闭合轮廓，按轮廓面积、多边形顶点数筛选出符合矩形板大小的4顶点闭合轮廓
• 对筛选得到的四边形轮廓做亚像素级角点校正，消除边缘检测带来的像素级误差
• 整理角点顺序，在原图上做标记验证检测效果

完整可运行脚本 #

import cv2
import numpy as np
# 原有边缘检测逻辑（保留已编写的功能）
image_original = cv2.imread('c:/python_test/camera_pics/Basler_acA640-300gm__22354308__20210211_135725420_36.tiff', cv2.IMREAD_COLOR)
image_gray = cv2.cvtColor(image_original, cv2.COLOR_BGR2GRAY)
# 轻微高斯模糊降低边缘检测噪声
image_gray = cv2.GaussianBlur(image_gray, (5, 5), 0)
filtered_image = cv2.Canny(image_gray, threshold1=20, threshold2=200)
# 新增角点检测模块
# 1. 闭运算填补边缘断线
kernel = np.ones((3, 3), np.uint8)
closed_edges = cv2.morphologyEx(filtered_image, cv2.MORPH_CLOSE, kernel, iterations=2)
# 2. 提取所有轮廓
contours, hierarchy = cv2.findContours(closed_edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 3. 筛选目标矩形轮廓
target_contour = None
max_area = 0
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 过滤面积过小的噪声轮廓
    if area < 1000:
        continue
    # 多边形逼近轮廓，计算近似顶点数
    perimeter = cv2.arcLength(cnt, closed=True)
    approx = cv2.approxPolyDP(cnt, 0.02 * perimeter, closed=True)
    # 保留面积最大的4顶点轮廓作为目标矩形
    if len(approx) == 4 and area > max_area:
        max_area = area
        target_contour = approx
# 4. 亚像素角点精细化校正
if target_contour is not None:
    target_corners = target_contour.reshape(4, 2).astype(np.float32)
    # 设定亚像素校正的终止条件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    refined_corners = cv2.cornerSubPix(image_gray, target_corners, (11, 11), (-1, -1), criteria)
    # 按固定顺序整理角点：左上、右上、右下、左下
    rect_corners = np.zeros((4, 2), dtype=np.float32)
    s = refined_corners.sum(axis=1)
    rect_corners[0] = refined_corners[np.argmin(s)]  # 左上：横纵坐标和最小
    rect_corners[2] = refined_corners[np.argmax(s)]  # 右下：横纵坐标和最大
    diff = np.diff(refined_corners, axis=1)
    rect_corners[1] = refined_corners[np.argmin(diff)]  # 右上：纵-横差值最小
    rect_corners[3] = refined_corners[np.argmax(diff)]  # 左下：纵-横差值最大
    # 打印输出角点坐标
    print("检测到的矩形角点坐标（按左上/右上/右下/左下顺序）：")
    for idx, corner in enumerate(rect_corners):
        print(f"角点{idx+1}: (x={corner[0]:.2f}, y={corner[1]:.2f})")
    # 在原图上标记角点，方便目视验证
    for corner in rect_corners:
        x, y = int(corner[0]), int(corner[1])
        cv2.circle(image_original, (x, y), 5, (0, 0, 255), -1)
# 保存输出文件
cv2.imwrite('c:/python_test/test.bmp', filtered_image)
cv2.imwrite('c:/python_test/detect_result.jpg', image_original)

参数调整说明 #

• 如果需要同时检测矩形板的内框、外框角点，不需要修改轮廓检索模式的RETR_TREE参数，该模式会遍历图像内所有层级的轮廓，可按轮廓的嵌套层级区分内框、外框轮廓后分别输出坐标
• 轮廓面积过滤阈值1000可根据实际图像中矩形的大小调整，若误检小矩形，可适当提高该阈值
• 多边形逼近的精度系数0.02 * perimeter可根据轮廓的圆角程度调整，若圆角较大导致顶点数识别不准，可将系数调低至0.01-0.03区间匹配实际形状
• 若边缘图存在较多细碎干扰，可适当提高闭运算的迭代次数，增强断线连接效果

内容的提问来源于stack exchange，提问作者Roy Meijer