基于相似角度矩形聚类分离条码：C++ OpenCV新手方案咨询

嘿，作为刚接触C++ OpenCV的新手，能走到提取轮廓和生成最小外接矩形这一步已经超棒啦！针对你想通过角度相似的矩形聚类分离条码区域的需求，我给你梳理一套实操性拉满的方案，一步步来：

首先得搞懂OpenCV里minAreaRect()返回的RotatedRect的角度规则：它是矩形相对水平x轴的旋转角度，范围是[-90, 0)。但这里有个坑——当矩形的宽比高小时，OpenCV会自动旋转角度，导致同方向的矩形角度看起来相差很大。所以第一步要做角度归一化，把所有角度统一到[0, 90)的范围：

float normalizeAngle(float angle) {
    // 把角度转换到0-90区间，方便后续比较
    if (angle < -45) {
        angle += 90;
    }
    return fabs(angle);
}

不用一开始就搞复杂的机器学习算法，先从简单的方法入手，效果够好还容易调试：

方案1：阈值聚类（最易上手） #

• 步骤1：把所有RotatedRect的角度都用上面的函数归一化
• 步骤2：统计所有角度的分布（可以用OpenCV的calcHist()画直方图），找到出现次数最多的角度区间
• 步骤3：设定一个角度阈值（比如±2度，根据你的图像调整），把角度落在这个区间内的矩形筛选出来——这些就是条码区域的候选矩形

方案2：K-means聚类（更灵活） #

如果阈值聚类不够准确，试试OpenCV现成的K-means API，它能自动把相似角度的矩形归为一类：

• 步骤1：把所有归一化后的角度整理成N行1列的浮点型Mat
• 步骤2：调用kmeans()函数，先把聚类数设为2（毕竟主要是条码和干扰物两类）
• 步骤3：统计每个簇的矩形数量，数量最多的那个簇就是条码对应的矩形集合

只靠角度可能会误判一些干扰物，再加上这几个辅助条件：

• 宽高比筛选：条码的条都是细长的，宽高比很小（比如宽度远小于高度，或反过来，取决于条码方向），可以设个阈值，比如宽高比<0.2或者>5
• 面积筛选：排除面积特别小的噪声轮廓，或者特别大的干扰物
• 位置连续性：条码的条是紧密排列的，筛选后的矩形中心应该在x或y方向上连续分布，可以检查中心坐标的集中程度

给你写个可直接参考的核心片段，结合了K-means和宽高比筛选：

// 假设你已经有了轮廓集合vector<vector<Point>> contours;
vector<RotatedRect> allRects;
vector<float> angles;

// 1. 提取所有最小外接矩形并归一化角度
for (auto &contour : contours) {
    RotatedRect rect = minAreaRect(contour);
    allRects.push_back(rect);
    float normAngle = normalizeAngle(rect.angle);
    angles.push_back(normAngle);
}

// 2. 转换为OpenCV格式用于K-means
Mat anglesMat(angles.size(), 1, CV_32F);
for (int i = 0; i < angles.size(); i++) {
    anglesMat.at<float>(i, 0) = angles[i];
}

// 3. 执行K-means聚类
int clusterCount = 2;
Mat labels, centers;
kmeans(anglesMat, clusterCount, labels, 
       TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 10, 1.0), 
       3, KMEANS_RANDOM_CENTERS, centers);

// 4. 找到包含矩形最多的簇（大概率是条码）
vector<int> clusterCounts(clusterCount, 0);
for (int i = 0; i < labels.rows; i++) {
    clusterCounts[labels.at<int>(i, 0)]++;
}
int maxClusterIdx = max_element(clusterCounts.begin(), clusterCounts.end()) - clusterCounts.begin();

// 5. 筛选目标簇+宽高比过滤
vector<RotatedRect> barcodeRects;
float aspectRatioThreshold = 0.2; // 可根据图像调整
for (int i = 0; i < allRects.size(); i++) {
    if (labels.at<int>(i, 0) == maxClusterIdx) {
        RotatedRect rect = allRects[i];
        float width = rect.size.width;
        float height = rect.size.height;
        float aspectRatio = min(width, height) / max(width, height);
        if (aspectRatio < aspectRatioThreshold) {
            barcodeRects.push_back(rect);
        }
    }
}

// 6. 绘制结果看看
Mat resultImg = img.clone();
for (auto &rect : barcodeRects) {
    Point2f pts[4];
    rect.points(pts);
    for (int j = 0; j < 4; j++) {
        line(resultImg, pts[j], pts[(j+1)%4], Scalar(0,255,0), 2);
    }
}
imshow("Barcode Rects", resultImg);
waitKey(0);

• 先把所有矩形都绘制出来，观察角度分布，再调整归一化逻辑和阈值
• 如果K-means设2类效果不好，可以试试3类，然后选择矩形数量符合预期的簇
• 宽高比阈值要根据条码方向调整：垂直条码用小阈值，水平条码用大阈值

内容的提问来源于stack exchange，提问作者mcally