OpenCV骰子识别作业：骰子外接矩形绘制异常问题求助

Hey there! 很高兴看到你已经搞定了骰子点数统计的核心功能，这已经很棒了！针对你遇到的外接矩形（bounding box）无法稳定正确绘制的问题，我给你整理几个实用的优化方向，应该能帮你解决这个小麻烦：

一、优化预处理流程，减少噪点干扰 #

外接矩形画不准，很多时候是因为预处理没做好，导致无效轮廓被检测出来。你可以试试这些调整：

• 替换固定阈值二值化：用cv2.adaptiveThreshold()代替cv2.threshold()，它能根据图像局部区域的光照自动调整阈值，对于桌面这种可能存在光照不均的场景，能更精准地分离骰子和背景。
• 增加形态学操作：用cv2.morphologyEx()做开运算（先腐蚀再膨胀），可以过滤掉图像中的小噪点；如果骰子表面有小孔，也可以用闭运算填充，避免这些细节被当成独立轮廓。

二、给轮廓加“筛选条件”，只保留骰子的轮廓 #

拿到所有轮廓后，不要直接给每个轮廓画矩形，通过几个维度过滤无效轮廓：

• 面积过滤：计算每个轮廓的面积cv2.contourArea(contour)，设置合理的最小/最大阈值（比如根据你的图像，骰子面积大概在500-5000像素之间，你可以自己调整），过滤掉太小的噪点和太大的背景区域。
• 长宽比过滤：骰子是近似正方形的，计算外接矩形的宽高比width/height，只保留比值在0.8-1.2之间的轮廓，排除细长的无效区域。
• 轮廓近似过滤：用cv2.approxPolyDP()把轮廓近似成多边形，骰子的轮廓应该是四边形，所以可以判断近似后的顶点数是否为4，进一步筛选出骰子的轮廓。
• 层级过滤：如果你的点数轮廓被当成了独立轮廓，可以用cv2.findContours()返回的hierarchy参数，只选择没有子轮廓的父轮廓（也就是骰子本身的轮廓），忽略点数的子轮廓。

三、尝试旋转自适应的最小外接矩形 #

如果你现在用的是cv2.boundingRect()（轴对齐的矩形），对于倾斜的骰子可能会框出多余的区域。可以换成cv2.minAreaRect()，它能生成贴合骰子旋转角度的最小矩形，不过需要用cv2.boxPoints()把返回的矩形参数转换成顶点坐标才能绘制。

示例代码片段 #

这里给你一段简单的轮廓过滤+矩形绘制的示例，你可以参考调整：

import cv2
import numpy as np

# 读取图像并预处理
img = cv2.imread("dice_image.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应二值化
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 开运算去噪
kernel = np.ones((3, 3), np.uint8)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 查找轮廓及层级
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

for idx, cnt in enumerate(contours):
    # 过滤面积不符合的轮廓
    area = cv2.contourArea(cnt)
    if area < 400 or area > 6000:
        continue
    # 计算外接矩形并过滤长宽比
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / float(h)
    if not 0.75 < aspect_ratio < 1.25:
        continue
    # 只绘制没有子轮廓的父轮廓（骰子本体）
    if hierarchy[0][idx][2] == -1:
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示结果
cv2.imshow("Dice Detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

你可以根据自己的实际图像调整阈值参数，应该能有效改善外接矩形的绘制准确性！

内容的提问来源于stack exchange，提问作者Mr.Potatinator