如何在python opencv中完成/关闭轮廓？

Question

我有一个圆周率摄像机对着一张白底卡片。但是，局部阴影似乎阻止了我用于卡片检测的轮廓的闭合，这意味着检测整体失败。这是我的意思的截图：

你可以看到它在底部的角落变得破烂不堪。这是我用来实现这一目标的代码：

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
gray = cv2.blur(gray, (5,5))
gray = cv2.bilateralFilter(gray, 11, 17, 17) #blur. very CPU intensive.
cv2.imshow("Gray map", gray)

edges = cv2.Canny(gray, 30, 120)

cv2.imshow("Edge map", edges)

#find contours in the edged image, keep only the largest
# ones, and initialize our screen contour
# use RETR_EXTERNAL since we know the largest (external) contour will be the card edge.
_, cnts, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:1]
screenCnt = None

# loop over our contours
for c in cnts:
    # approximate the contour
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.3 * peri, True)

    cv2.drawContours(image, [cnts[0]], -1, (0, 255, 0), 2)

    # if our approximated contour has four points, then
    # we can assume that we have found our card
    if len(approx) == 4:
        screenCnt = approx;
    break

有没有办法强迫它关闭特定的轮廓？如果我更模糊的图像，以平滑阴影，这也不起作用，因为它只是忽略那些角落，因为没有边缘。令人恼火的是，它离关闭轮廓只有几个像素的距离，但它从来没有。。。

编辑：我现在有一个更真实的设置，背景是米色，有很多阴影干扰。米色是必要的，因为有些卡片有白色的边框，所以白色不起作用。边缘检测主要在阴影所在的左侧失败。

Answer 1

正如我在给你的回复中提到的，最简单的“连接”边界线的方法之一就是使用形态学运算符。在下面的代码中，使用椭球形状来放大图像的边缘。这项技术允许我们合并比较接近的行，并填充一些空白区域。您可以在OpenCV Documentation中获得有关此主题的更多信息。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(9,9))
dilated = cv2.dilate(image, kernel)
_, cnts, _ = cv2.findContours(dilated.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

在这里您可以看到原始边缘图像、放大图像和使用放大边缘获得的轮廓（使用原始屏幕截图的裁剪区域获得的图像）：

但是，正如你所见，也可以想象的那样，为更一般的情况解决这个问题更为复杂，需要使用其他方法，而且可能比这样一个问题更为广泛（或者至少在它现在的表述方式上）。

通过查看更困难的情况，我可以建议您使用其他图像表示来替换灰度输入图像（例如HSV colorspace的H通道），以便减少或减弱阴影的效果。您还可以探索问题中的一些约束：卡始终将直线作为边框并使用能够处理参数化形式的方法，例如Hough线检测器。看看这个问题，它可能会给你一些关于如何改进你的结果的见解：How to identify square or rectangle with variable lengths and width by using javacv?

备注：双边过滤在计算上非常昂贵，特别是在使用RPi运行应用程序时。我建议投资一些其他的选择，例如高斯滤波，以减少图片中的噪声量（假设您真的需要这样做）。