如何提取边缘强度不均的图像矩形？支票账号提取难题求助

我现在在做支票图像里的账号提取，思路是先定位账号所在的矩形区域，截取出这个 bounding rectangle 后再用OCR识别文本。但现在碰到个棘手的问题——当矩形轮廓不明显、颜色较浅时，边缘没法完全连通，根本提取不到对应的矩形contour。

我已经试过下面几种方法，但都没解决问题：

• 没法增加erosion的迭代次数：次数多了边缘会和周围的黑色像素连在一起，形成奇怪的形状，完全没法用；
• 降低threshold offset理论上可能有用，但效率太低：我的代码得适配各种支票，如果从offset=10开始逐步递增检查有没有找到矩形，那些轮廓明显、offset=20及以上就能正常识别的支票处理时间会被大幅拉长，而且现在也没条件判断矩形边缘是否明显，所有支票都得走一遍这个循环，太不现实了。

我用的库和版本是：

scikit-image==0.13.1 opencv-python==3.3.0.10

现有代码流程 #

步骤1：读取图像

image = cv2.imread('cropped.png')

步骤2：自适应阈值处理

我用skimage的自适应阈值来去除背景，以此定位账号的矩形框。这个方法在矩形轮廓清晰的支票上没问题，但碰到边缘较细或颜色浅的情况，阈值处理后边缘就断了，根本找不到contours。完整导入与处理代码如下：

from skimage.filters import threshold_adaptive, threshold_local
import cv2
import numpy as np

account_number_block = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
account_number_block = threshold_adaptive(account_number_block, 251, offset=20)
account_number_block = account_number_block.astype("uint8") * 255

步骤3：腐蚀操作与轮廓查找

我尝试用轻微腐蚀来连接边缘的微小断点，然后查找轮廓：

kernel = np.ones((3,3), np.uint8)
account_number_block = cv2.erode(account_number_block, kernel, iterations=5)

(_, cnts, _) = cv2.findContours(account_number_block.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# cnts = sorted(cnts, key=cv2.contourArea)[:3]
rect_cnts = [] # Rectangular contours
for cnt in cnts:
    approx = cv2.approxPolyDP(cnt,0.01*cv2.arcLength(cnt,True),True)
    if len(approx) == 4:
        rect_cnts.append(cnt)
rect_cnts = sorted(rect_cnts, key=cv2.contourArea, reverse=True)[:1]

示例对比 #

成功案例（轮廓清晰的支票）

1. 原始图像：HDFC银行支票的账号区域，矩形框轮廓清晰、颜色深，与背景对比度高
2. 阈值处理后：背景被完全去除，矩形框的四条边缘完整连通，无断点
3. 轮廓查找结果：成功筛选出面积最大的矩形轮廓，精准框住账号区域

失败案例（浅色矩形边界）

1. 原始图像：SBI银行支票的账号区域，矩形框边缘颜色浅、线条细，与背景对比度低
2. 阈值处理后：矩形框的边缘出现多处断点，无法形成完整的闭合矩形
3. 轮廓查找结果：找不到符合条件的4边轮廓，无法定位账号所在的矩形区域

内容的提问来源于stack exchange，提问作者Parthapratim Neog