Question

我正在尝试沿对象（此处是书）的边缘变换图像。使用canny边缘检测，我正在检测边缘，并根据像素值从分数矩阵中选择位于边缘的4个随机坐标进行变换。但是这种转变并不像预期的那样。问题出在哪里/我在哪里错过了？

首先，我将图像的一部分切出。然后应用canny边缘检测并根据我自己的条件随机选择4个边缘坐标点，如下所示：我的原始图片是：

对于实验，我根据需要将其切成薄片：

此图片的大小（61,160）

现在我需要变换上面的图像，以使书的边缘平行于水平轴。

img = cv2.imread('download1.jpg',0)
edges = cv2.Canny(img,100,200)
print(img.shape)
plt.show()
plt.imshow(img,cmap='gray')

l=[]
y_list=[]
k=1
for i in range (0,img.shape[0]):
  for j in range (0,img.shape[1]):
    if (edges[i][j]==255) and k<=4 and i>31 and j not in y_list:
      l.append([j,i])
      y_list.append(j)
      k+=1
      break

通过以下方式获得边缘检测图像：

l列表的内容是

[[49 32]
 [44 33]
 [40 34]
 [36 35]]

然后将列表lt给出的目的地设置为：

[[49 61]
 [44 60]
 [40 61]
 [36 60]]

然后找出单应性矩阵，并用它来找出翘曲透视图：

h, status = cv2.findHomography(l,lt)
im_out = cv2.warpPerspective(img, h, (img.shape[1],img.shape[0]))

但是不会产生所需的结果！得到的输出图像为：

Answer 1

我遇到了类似的问题，这就是我的解决方法（实际上与您的方法非常相似），只是我使用了get rotation matrix而不是homografy：

读取图像
边缘检测器

用粗线表示所有线（在特定间隔内有一个倾斜度）

lines = cv.HoughLinesP(img, 1, np.pi/180, 100, minLineLength=100, maxLineGap=10)

获得线的平均倾斜度，因为在我的情况下，我有很多平行线用作引用，这样我就可以获得更好的结果

 for line in lines:
     x1,y1,x2,y2 = line[0]
     if (x2-x1) != 0:
         angle = math.atan((float(y2-y1))/float((x2-x1))) * 180 / math.pi
     else:
         angle = 90
     #you can skip this test if you have no info about the lines you re looking for
     #in this case offset_angle is = 0
     if min_angle_threshold <= angle <= max_angle_threshold:
        tot_angle = tot_angle + angle
        cnt = cnt + 1
 average_angle = (tot_angle / cnt) - offset_angle

应用反向旋转

  center = your rotation center - probably the center of the image
  rotation_matrix = cv.getRotationMatrix2D(center, angle, 1.0)
  height, width = img.shape
  rotated_image = cv.warpAffine(img, rotation_matrix, (width, height))

 #do whatever you want, then rotate image back
 counter_rotation_matrix = cv.getRotationMatrix2D(center, -angle, 1.0)
 original_image = cv.warpAffine( rotated_image, counter_rotation_matrix, (width, height))

编辑：在此处查看完整示例：

    import math
    import cv2 as cv

    img = cv.imread('C:\\temp\\test_3.jpg',0)
    edges = cv.Canny(img,100,200)
    lines = cv.HoughLinesP(edges[0:50,:], 1, np.pi/180, 50, minLineLength=10, maxLineGap=10)
    tot_angle = 0
    cnt = 0
    for line in lines:
        x1,y1,x2,y2 = line[0]
        if (x2-x1) != 0:
            angle = math.atan((float(y2-y1))/float((x2-x1))) * 180 / math.pi
        else:
            angle = 90

        if -30 <= angle <= 30:
            tot_angle = tot_angle + angle
            cnt = cnt + 1
    average_angle = (tot_angle / cnt)
    h,w = img.shape[:2]
    center = w/2, h/2
    rotation_matrix = cv.getRotationMatrix2D(center, average_angle, 1.0)
    height, width = img.shape
    rotated_image = cv.warpAffine(img, rotation_matrix, (width, height))
    cv.imshow("roto", rotated_image)
    #do all your stuff here, add text and whatever
    #...
    #...
    counter_rotation_matrix = cv.getRotationMatrix2D(center, -average_angle, 1.0)
    original_image = cv.warpAffine( rotated_image, counter_rotation_matrix, (width, height))
    cv.imshow("orig", original_image)

旋转

![rotated ] 1

counter_rotated

![counter_rotated ] 2

编辑：

如果要应用单应性（不同于简单的旋转，因为它还应用了透视变换），请在代码下方使其生效：

#very basic example, similar to your code with fixed terms
l  = np.array([(11,32),(43,215),(142,1),(205,174)])
lt = np.array([(43,32),(43,215),(205,32),(205,215)])
h, status = cv.findHomography(l,lt)
im_out = cv.warpPerspective(img, h, (img.shape[1],img.shape[0]))

以编程方式进行 -对于“ l”：也要使用粗线并找到4个角，然后添加它们

表示“ lt”：找到所有4个点的“目的地”，例如，使用底角作为参考

lines = cv.HoughLinesP(edges, 1, np.pi/180, 100, minLineLength=150, maxLineGap=5)
l = []
for line in lines:
    x1,y1,x2,y2 = line[0]

    if (x2-x1) != 0:
        angle = math.atan((float(y2-y1))/float((x2-x1))) * 180 / math.pi
    else:
        angle = 90
    # consider only vertical edges
    if 60 <= angle:
        l.append((x1,y1))
        l.append((x2,y2))
        x_values.append(max(x1,x2)) 
        if len(y_values) == 0:
            y_values.append(y1)
            y_values.append(y2)
l  = np.array(l)
lt = np.array([(x_values[0],y_values[0]),(x_values[0],y_values[1]),(x_values[1],y_values[0]),(x_values[1],y_values[1])])

然后按上述方法调用findhomography 希望足够清楚！

enter image description here 3

Opencv单应性不会产生所需的转换

1 个答案: