检测照片中纸张角落的算法

时间：2011-07-02 07:12:24

标签： image-processing opencv edge-detection hough-transform image-segmentation

检测照片中发票/收据/纸张角落的最佳方法是什么？在OCR之前，这将用于后续的透视校正。

我目前的方法是：

RGB＆gt;灰色＆gt; <阈值边缘检测与阈值处理>膨胀（1）>删除小物体（6）＆gt;明确的边界对象＆gt;选择基于Convex Area的大型博客。 ＆GT; [角落检测 - 未实施]

我不禁认为必须有更强大的“智能”/统计方法来处理这种类型的细分。我没有很多训练样例，但我可能会得到100张图像。

更广泛的背景：

我正在使用matlab进行原型设计，并计划在OpenCV和Tesserect-OCR中实现该系统。这是我需要为此特定应用程序解决的许多图像处理问题中的第一个。因此，我希望推出自己的解决方案并重新熟悉图像处理算法。

以下是我希望算法处理的一些示例图像：如果您想接受挑战，则大图像位于http://madteckhead.com/tmp

case 1 http://madteckhead.com/tmp/IMG_0773_sml.jpg case 2 http://madteckhead.com/tmp/IMG_0774_sml.jpg case 3 http://madteckhead.com/tmp/IMG_0775_sml.jpg case 4 http://madteckhead.com/tmp/IMG_0776_sml.jpg

在最好的情况下，这给出：

case 1 - canny http://madteckhead.com/tmp/IMG_0773_canny.jpg case 1 - post canny http://madteckhead.com/tmp/IMG_0773_postcanny.jpg case 1 - largest blog http://madteckhead.com/tmp/IMG_0773_blob.jpg

然而，在其他情况下它很容易失败：

case 2 - canny http://madteckhead.com/tmp/IMG_0774_canny.jpg case 2 - post canny http://madteckhead.com/tmp/IMG_0774_postcanny.jpg case 2 - largest blog http://madteckhead.com/tmp/IMG_0774_blob.jpg

提前感谢所有好主意！我爱你！

编辑：霍夫变换进展

问：什么算法会聚集霍夫线找到角落？ 根据答案的建议，我能够使用Hough变换，拾取线条并过滤它们。我目前的做法相当粗糙。我已经假设发票总是小于15度，与图像不对齐。如果是这种情况，我最终得到合理的线条结果（见下文）。但我不完全确定一个合适的算法来聚集线（或投票）来推断角落。霍夫线不连续。并且在嘈杂的图像中，可以存在平行线，因此需要与线原点度量的某种形式或距离。有什么想法吗？

case 1 http://madteckhead.com/tmp/IMG_0773_hough.jpg case 2 http://madteckhead.com/tmp/IMG_0774_hough.jpg case 3 http://madteckhead.com/tmp/IMG_0775_hough.jpg case 4 http://madteckhead.com/tmp/IMG_0776_hough.jpg

8 个答案:

答案 0 :(得分：26)

我是马丁的朋友，今年早些时候正在研究这个问题。这是我的第一个编码项目，有点匆忙结束，所以代码需要一些错误...解码... 我会从我已经看到你做过的事情中给出一些提示，然后在明天休息时对我的代码进行排序。

第一个提示，OpenCV和python非常棒，请尽快转移给他们。 ：d

不是删除小物体和/或噪声，而是降低canny限制，因此它接受更多边缘，然后找到最大的闭合轮廓（在OpenCV中使用findcontour()使用一些简单的参数，我想我使用了{{ 1}}）。当它在一张白纸上时，它仍然可能会挣扎，但肯定会提供最好的结果。

对于CV_RETR_LIST转换，请尝试Houghline2()而不是CV_HOUGH_STANDARD，它会给 rho 和 theta 值，定义极坐标中的线，然后您可以将线分组到一定的容差范围内。

我的分组作为一个查找表，对于从霍夫变换输出的每一行，它将给出一个rho和theta对。如果这些值在表格中的一对值的5％范围内，则丢弃它们，如果它们超出5％，则会在表格中添加新条目。

然后，您可以更轻松地分析平行线或线间距离。

希望这有帮助。

答案 1 :(得分：17)

我大学的一个学生团队最近演示了一个他们写的iPhone应用程序（以及python OpenCV应用程序）。我记得，步骤是这样的：

  • 中位数滤镜可以完全删除纸张上的文字（这是白纸上的手写文字，光线相当好，可能不适用于印刷文字，效果非常好）。原因是它使角落检测更容易。
  • Hough Transform for lines
  • 在Hough Transform累加器空间中找到峰值，并在整个图像上绘制每条线。
  • 分析线条并移除彼此非常接近且线条相似的任何线条（将线条聚为一条）。这是必要的，因为霍夫变换并不完美，因为它在离散的样本空间中工作。
  • 查找大致平行且与其他对相交的线对，以查看哪些线形成四边形。

这似乎工作得相当好，他们能够拍摄一张纸或书的照片，执行角点检测，然后几乎实时地将图像中的文档映射到平面上（只有一个OpenCV）函数来执行映射）。当我看到它工作时，没有OCR。

答案 2 :(得分：16)

这是经过一些实验后我想出的：

import cv, cv2, numpy as np
import sys

def get_new(old):
    new = np.ones(old.shape, np.uint8)
    cv2.bitwise_not(new,new)
    return new

if __name__ == '__main__':
    orig = cv2.imread(sys.argv[1])

    # these constants are carefully picked
    MORPH = 9
    CANNY = 84
    HOUGH = 25

    img = cv2.cvtColor(orig, cv2.COLOR_BGR2GRAY)
    cv2.GaussianBlur(img, (3,3), 0, img)


    # this is to recognize white on white
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(MORPH,MORPH))
    dilated = cv2.dilate(img, kernel)

    edges = cv2.Canny(dilated, 0, CANNY, apertureSize=3)

    lines = cv2.HoughLinesP(edges, 1,  3.14/180, HOUGH)
    for line in lines[0]:
         cv2.line(edges, (line[0], line[1]), (line[2], line[3]),
                         (255,0,0), 2, 8)

    # finding contours
    contours, _ = cv2.findContours(edges.copy(), cv.CV_RETR_EXTERNAL,
                                   cv.CV_CHAIN_APPROX_TC89_KCOS)
    contours = filter(lambda cont: cv2.arcLength(cont, False) > 100, contours)
    contours = filter(lambda cont: cv2.contourArea(cont) > 10000, contours)

    # simplify contours down to polygons
    rects = []
    for cont in contours:
        rect = cv2.approxPolyDP(cont, 40, True).copy().reshape(-1, 2)
        rects.append(rect)

    # that's basically it
    cv2.drawContours(orig, rects,-1,(0,255,0),1)

    # show only contours
    new = get_new(img)
    cv2.drawContours(new, rects,-1,(0,255,0),1)
    cv2.GaussianBlur(new, (9,9), 0, new)
    new = cv2.Canny(new, 0, CANNY, apertureSize=3)

    cv2.namedWindow('result', cv2.WINDOW_NORMAL)
    cv2.imshow('result', orig)
    cv2.waitKey(0)
    cv2.imshow('result', dilated)
    cv2.waitKey(0)
    cv2.imshow('result', edges)
    cv2.waitKey(0)
    cv2.imshow('result', new)
    cv2.waitKey(0)

    cv2.destroyAllWindows()

不完美，但至少适用于所有样品：

1 2 3 4

答案 3 :(得分：8)

您可以使用角点检测，而不是从边缘检测开始。

Marvin Framework为此提供了Moravec算法的实现。您可以找到论文的角落作为起点。低于Moravec算法的输出：

enter image description here

答案 4 :(得分：4)

此外，您可以使用MSER（最大稳定的极值区域）而非Sobel算子结果来查找图像的稳定区域。对于MSER返回的每个区域，您可以应用凸包和多边形逼近来获得如下：

但是这种检测对于实时检测非常有用，而不是单个图像并不能总是返回最佳结果。

result

答案 5 :(得分：3)

边缘检测后，使用Hough变换。 然后，将这些点放在带有标签的SVM（支持向量机）中，如果示例上有平滑的线条，SVM将没有任何困难来划分示例和其他部分的必要部分。我对SVM的建议，提出了连接和长度等参数。也就是说，如果点数是连接的并且很长，它们很可能是收据的一条线。然后，您可以消除所有其他点。

答案 6 :(得分：3)

这里有使用C ++的@Vanuan代码：

cv::cvtColor(mat, mat, CV_BGR2GRAY);
cv::GaussianBlur(mat, mat, cv::Size(3,3), 0);
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Point(9,9));
cv::Mat dilated;
cv::dilate(mat, dilated, kernel);

cv::Mat edges;
cv::Canny(dilated, edges, 84, 3);

std::vector<cv::Vec4i> lines;
lines.clear();
cv::HoughLinesP(edges, lines, 1, CV_PI/180, 25);
std::vector<cv::Vec4i>::iterator it = lines.begin();
for(; it!=lines.end(); ++it) {
    cv::Vec4i l = *it;
    cv::line(edges, cv::Point(l[0], l[1]), cv::Point(l[2], l[3]), cv::Scalar(255,0,0), 2, 8);
}
std::vector< std::vector<cv::Point> > contours;
cv::findContours(edges, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_TC89_KCOS);
std::vector< std::vector<cv::Point> > contoursCleaned;
for (int i=0; i < contours.size(); i++) {
    if (cv::arcLength(contours[i], false) > 100)
        contoursCleaned.push_back(contours[i]);
}
std::vector<std::vector<cv::Point> > contoursArea;

for (int i=0; i < contoursCleaned.size(); i++) {
    if (cv::contourArea(contoursCleaned[i]) > 10000){
        contoursArea.push_back(contoursCleaned[i]);
    }
}
std::vector<std::vector<cv::Point> > contoursDraw (contoursCleaned.size());
for (int i=0; i < contoursArea.size(); i++){
    cv::approxPolyDP(Mat(contoursArea[i]), contoursDraw[i], 40, true);
}
Mat drawing = Mat::zeros( mat.size(), CV_8UC3 );
cv::drawContours(drawing, contoursDraw, -1, cv::Scalar(0,255,0),1);

答案 7 :(得分：1)

  1. 转换为实验室空间

  2. 使用kmeans segment 2 cluster

  3. 然后在其中一个星团上使用轮廓或霍夫（内心）
相关问题
最新问题