OpenCV检测桌面截图红色矩形时轮廓失真，求精确面积获取方法

嘿，我之前做桌面视觉检测的时候也碰到过类似的轮廓失真问题，结合你说的截图边缘清晰的情况，大概率是预处理或者轮廓提取的参数没调好，咱们一步步来解决～

1. 先把颜色掩码做准确（最关键！） #

你代码里写的green_mask_TS_new = cv2.inRa...应该是cv2.inRange吧？而且如果是找红色矩形，可别不小心用了绿色的阈值范围😂。另外，RGB空间对光照变化比较敏感，建议转成HSV空间来做颜色掩码，红色在HSV里是分两段的（因为色相环里红色首尾相连），这样得到的掩码会干净很多：

# 先把RGB转成HSV
hsv_frame = cv2.cvtColor(frame_TS_new, cv2.COLOR_RGB2HSV)

# 定义红色的HSV阈值范围（可以根据你的实际红色调整数值）
lower_red1 = np.array([0, 120, 70])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])

# 合并两段红色的掩码
red_mask = cv2.inRange(hsv_frame, lower_red1, upper_red1) + cv2.inRange(hsv_frame, lower_red2, upper_red2)

你可以用cv2.imshow("Red Mask", red_mask)看看掩码效果，理想状态下只有红色矩形是白色，其他区域全黑——如果掩码有多余的白点，那轮廓肯定会失真。

2. 给掩码做个“清洁”操作 #

就算颜色阈值准，截图里偶尔也会有微小的噪点，这时候用形态学的闭运算（先腐蚀再膨胀）就能把这些小噪点去掉：

# 创建一个3x3的结构元素（可以根据噪点大小调整）
kernel = np.ones((3, 3), np.uint8)
# 闭运算消除小噪点，让掩码边缘更平滑
cleaned_mask = cv2.morphologyEx(red_mask, cv2.MORPH_CLOSE, kernel)

3. 调整轮廓提取的参数 #

cv2.findContours的参数直接影响轮廓质量，针对你的需求（找黑色背景上的单个红色矩形），推荐用这组参数：

# 只提取最外层轮廓，并且压缩轮廓点（比如矩形只保留四个角点）
contours, hierarchy = cv2.findContours(cleaned_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

• cv2.RETR_EXTERNAL：只取最外层的轮廓，不会把内部的小噪点轮廓也算进来
• cv2.CHAIN_APPROX_SIMPLE：压缩轮廓的冗余点，减少计算量的同时让轮廓更规整

4. 轮廓逼近，得到完美矩形 #

有时候就算掩码干净，提取的轮廓还是会有微小的锯齿，这时候用cv2.approxPolyDP做轮廓逼近，就能得到精确的矩形轮廓：

for cnt in contours:
    # 计算轮廓的周长，用于设置逼近精度
    perimeter = cv2.arcLength(cnt, True)
    # 逼近轮廓，epsilon是周长的比例（可以微调，比如0.01~0.03之间）
    approx_contour = cv2.approxPolyDP(cnt, 0.02 * perimeter, True)
    
    # 如果逼近后是4个点，说明是矩形
    if len(approx_contour) == 4:
        # 计算精确的矩形面积
        rect_area = cv2.contourArea(approx_contour)
        print(f"红色矩形的精确面积：{rect_area}")
        
        # 可以把轮廓画到原图上看看效果
        cv2.drawContours(frame_TS_new, [approx_contour], 0, (0, 255, 0), 2)

最后检查一下颜色转换 #

你用cv2.COLOR_RGBA2RGB把mss的截图转成RGB是对的，但要注意后续颜色空间的对应——比如转HSV的时候要用cv2.COLOR_RGB2HSV，别写成COLOR_BGR2HSV了，不然颜色阈值全错了😂。

按照这些步骤来，应该就能得到精确的矩形轮廓和面积了！

内容的提问来源于stack exchange，提问作者mlewk