基于OpenCV 3.4.0与Python 3检测畸变图像中正方形右侧边

我明白你要抓的是那个始终清晰的右侧边，其他畸变的边完全可以忽略——之前用霍夫直线变换可能会抓到多余线条，咱们可以针对性优化流程，精准定位目标边：

第一步：预处理图像，突出清晰边缘特征 #

因为目标是黑色正方形的右侧边，先做灰度转换，再用Canny边缘检测，重点调整阈值只保留高对比度的清晰边缘（毕竟其他边是畸变模糊的，对比度会低很多）：

import cv2
import numpy as np

# 读取图像
temp = cv2.imread("images/macro/noF3.jpg")
grTemp = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)

# Canny边缘检测，阈值可以根据你的实际图像微调
edges = cv2.Canny(grTemp, threshold1=50, threshold2=150)

第二步：限制检测范围，只关注右侧区域 #

既然右侧边始终清晰，咱们直接把检测范围锁定在图像右侧区域，避免其他畸变边干扰霍夫变换的结果：

height, width = grTemp.shape

# 创建掩码，只保留右侧1/5的区域（比例可以根据正方形位置调整）
mask = np.zeros_like(edges)
mask[:, int(width*0.8):width] = 255
masked_edges = cv2.bitwise_and(edges, mask)

第三步：优化霍夫变换参数，筛选垂直边 #

正方形的右侧边接近垂直，咱们用概率霍夫变换，设置参数只抓符合长度、角度特征的线条：

# 概率霍夫变换，针对性设置参数
lines = cv2.HoughLinesP(
    masked_edges,
    rho=1,
    theta=np.pi/180,
    threshold=20,
    minLineLength=height*0.6,  # 最小长度设为图像高度的60%，过滤短杂线
    maxLineGap=5
)

# 筛选接近垂直的线条（x坐标变化极小，说明是竖线）
target_edge = None
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        if abs(x2 - x1) < 10:
            # 把ROI的偏移量加回去，还原到原图坐标
            x1 += int(width*0.8)
            x2 += int(width*0.8)
            target_edge = (x1, y1, x2, y2)
            break

# 把检测到的边画到原图上验证
if target_edge:
    cv2.line(temp, (target_edge[0], target_edge[1]), (target_edge[2], target_edge[3]), (0, 255, 0), 2)

cv2.imshow("Detected Right Edge", temp)
cv2.waitKey(0)
cv2.destroyAllWindows()

备选方案：用轮廓检测直接定位 #

如果霍夫变换还是有干扰，试试二值化+轮廓检测，利用黑色正方形与背景的高对比度直接找边界：

# 二值化反转，把黑色正方形变成白色区域
_, binary = cv2.threshold(grTemp, 127, 255, cv2.THRESH_BINARY_INV)
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历轮廓，找到正方形的右边缘
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 边界框的右边缘就是目标边
    cv2.line(temp, (x+w, y), (x+w, y+h), (0, 0, 255), 2)

cv2.imshow("Detected Edge via Contour", temp)
cv2.waitKey(0)
cv2.destroyAllWindows()

你可以根据自己图像的实际情况调整ROI比例、阈值这些参数，应该能精准抓到那个清晰的右侧边～

内容的提问来源于stack exchange，提问作者Facosenpai