如何识别桌游中的六角形拼贴？

import cv2
import numpy as np

imgOrig = "test1";
img = cv2.imread(imgOrig+".jpg");  
lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3)  
imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY)  
ret,thresh = cv2.threshold(imgray,127,255,0)
contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
size = img.shape
m = np.zeros(size, dtype=np.uint8)
for i, cnt in enumerate(contours):
    if cv2.contourArea(cnt) >= 1:
        color = (255,255,255)
        cv2.drawContours(m, cnt, -1, color, -1)
cv2.imwrite(str(imgOrig)+"contours.jpg", m);

#1 楼

第一种方法：

根据本教程http://note.sonots.com/SciSoftware/haartraining.html使用opencv的haartraining方法-这应该给出最佳结果，但是我没有到目前为止，我一直在与训练自己进行合作...

第二种方法：

我建议使用“无标记跟踪”方法对木板的各个砖块进行处理。您也可以使用OpenCV来实现。.

准备工作


为此，您需要一些每种类型的瓷砖的照片。拍摄所有图块类型的图片（每张图作为一张图），并在图片中间使用自顶向下视图图块的均匀背景。
然后使用某些特征检测器（OpenCV为此使用多种算法，但是SIFT / SURF是非自由算法；我建议使用“ FAST”）在图像中找到明显的点。
使用特征描述符描述图像中发现的特征（例如使用“ BRIEF”） 。

检测

现在，您可以通过对图像应用相同的特征检测器/描述符算法来检测图像中的图块。获得功能部件/描述符后，可以应用FlannBasedMatcher查找图块。

这是来自OpenCV的代码示例/教程：
http://docs.opencv.org/ doc / tutorials / features2d / feature_homography / feature_homography.html＃feature-homography

注释

匹配器方法只会给您一个匹配项，如果在板上找到了多个这种类型的图块，则可能会出现问题。您可以通过仅遮盖输入图像的某些部分来解决该问题。我建议使用检测到的特征的像素坐标进行此操作。如果您以某种方式首先检测了图块的轮廓和大小，则可以粗略估计图上图块的位置和大小。匹配之前，先过滤检测到的特征列表（例如，仅在距图块预期中点x像素半径以内的特征），然后使用最强匹配。结果，您将获得图块在图像上的确切位置（包括其方向）。如果检测地图轮廓太复杂，可以让用户“指向”角落的瓷砖以手动标记轮廓...

替代方法

您可以也可以使用此方法通过其轮廓查找任何平铺图片。绘制一个样本的“示意图”灰度图（六边形），上面没有任何图像。请注意，此图像中的“深色”和“浅色”区域在原理图中需要正确，而不仅仅是一些“线条”。
您可能需要尝试一下。您可以尝试对不同图块的多张照片求平均，以生成图块的“平均”图像。确保拐角处在同一位置（相应地移动/缩放图片），并在完成后锐化图片（清晰的拐角/边缘应可见），并根据需要稍微调整对比度。

#2 楼

我将描述我目前的方法，该方法是利用游戏规则，图像处理和特征检测的组合。

相关游戏规则


位置图块，城堡和不能通过游戏令牌（房屋）上山
在8种情况下，有7种也不能用水
有8种不同（独特）的区域，另外还有8种通过旋转180度（看到可能的部分图片

完整的游戏规则可以在这里找到。

实现

首先，我使用霍夫变换来提取游戏板的位置。源图像看起来像最终的图像，但是线条较粗，并且过滤了较小的边界，我仅使用检测很长的线条（数量级：大约图像宽度/高度的60％）和很小的线条匹配阈值。我还只是查看图像外部40％处的线，并以检测到的线的中值分别位于顶部，底部，左侧和右侧，结果如下图所示：


我只需要一个大概的近似值，所以这很好。从现在开始，我仅检查Houghlines内的图像，以及由于Hough变换的不确定性而导致的一些额外空间。

然后，我使用Stefan K.在其答案中提出的特征检测来检测特征。在图像中，玩家无法拍摄到，例如城堡，位置图块和山脉。我在opencv-python中使用ORB算法来执行此操作，并在BruteForce-Hamming-Matcher中进行了操作（我还无法使FlannBased匹配器运行）。 ORB是缩放和旋转不变的。为了检测多次出现的相同要素（例如城堡），我将图像分成了重叠的部分。只要图像分辨率足够大并且直接从顶部拍摄照片（仍然需要进行一些测试），此方法就可以正常工作。这也有点慢。下图显示了位置图块（酒馆）的检测示例。


目前，我尝试找到homographyTransform来提取检测到的特征的精确位置和方向。

我希望能够根据这些信息（山脉，城堡，位置瓷砖以及大多数情况下的水）重建网格。当前的实验看起来很有希望，尽管必须进行许多微调和适当准备特征图像。