OpenCV:检测覆盖标签的边界框

时间:2016-10-19 08:54:03

标签: opencv image-processing pattern-matching vision

我有类似的背景噪音。 使用OpenCV,有一种方法可以检测覆盖标签的区域的区域(检测轮廓)。 或者至少,是否可以检测到覆盖标签区域的“粗糙”边界框?

enter image description here

1 个答案:

答案 0 :(得分:2)

我已经尝试完成这项任务,可能不会允许概​​括这个算法的主要问题是如何选择合适的轮廓。我有两个值(轮廓长度)3108和2855.您可以尝试获取所有照片(如果它们与相机距离相近)并在3050和2750之间设置所需轮廓的阈值,但不保证它将起作用。所以这就是我删除背景的方式(完整代码):

import cv2 
import numpy as np


image=cv2.imread('C:/Users/srlatch/Desktop/of8cA.png')
img = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

def clear_vertical(img, target):
    for i in range(img.shape[1]):
        for j in range(img.shape[0]):
            if img[j][i]:
                break
            else:
                target[j][i]=[0,0,0]

def clear_horizontal(img, target):
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if img[i][j]:
                break
            else:
                target[i][j]=[0,0,0]



def turn_off(img):
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            img[i][j]=0

def turn_on(img,result):
    for i in result:
       img[i[0][1]][i[0][0]]=255


def f(list):
    max=[]
    for i in list:
        if len(i)>len(max):
            max=i
    return max 

def rem(ls, thresh):
    new_c=[]
    for i in ls:
        if len(i)>thresh:
            new_c.append(i)
    return new_c 

def rn(ls,min,max):
    ret=[]
    for i in ls:
         if len(i)<max and len(i)>min:
             print(len(i))
             ret.append(i)
    return ret

#ret,tresh = cv2.threshold(img,40,255,cv2.THRESH_BINARY)
kernel = np.ones((2,2),np.uint8)
new=cv2.Canny(img,190,1)
dilated=cv2.dilate(new, kernel)
tresh,c,hr=cv2.findContours(dilated,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
c=rn(c, 2600, 4000)
turn_off(new)
turn_on(new,c[0])

clear_horizontal(new,image)
clear_vertical(new,image)

cv2.imwrite('result_image_end.png',image)

cv2.imshow('wnd',image)
cv2.waitKey(100)

我尝试过不同的方法,但这似乎比其他方法效果更好。我相信opencv存在的功能可以替代这个clear_horizo​​ntally和垂直,但我不能记住它的名字。希望能帮助到你! enter image description here

enter image description here