如何检测矩形等形状？圆角矩形（不是圆角而是圆角）？
我正在使用opencv.wrapper，但我是新手。
谢谢。
这是示例：
替代文本http://www.freeimagehosting.net/uploads/b03442fd36.png
替代文本http://www.freeimagehosting.net/uploads/e6b36040e8。 png
由于噪音和那里的许多行，我无法确定哪个是招牌的边界线。有时候，在霍夫变换之后，我可以找到直线的边界。我被困住了...。在这种情况下...
这是从手机相机拍摄的2张原始图片
替代文本http：// www。 freeimagehosting.net/uploads/6dbd613edf.jpg
替代文本http://www.freeimagehosting.net/uploads/720da20080.jpg
我需要ya的建议以了解如何处理图像把招牌拿出来？
非常感谢
#1 楼
您的两个图像都包含许多与您要查找的符号无关的行。而且其中一些线比您实际想要的线更长/具有更高的对比度，因此我认为检测边缘线（例如，使用霍夫变换或通过水平/垂直汇总对比度）将无法工作。但是：您正在寻找的标牌具有应该更易于检测的其他特征：
标牌背景具有（几乎）恒定的亮度
它占据了图像的相对较大的区域
它靠近图像的中心
，因此您正在寻找对比度低的大连接区域。我在Mathematica中破解了概念验证算法。 （我不是OpenCV专家，但我知道它们时会提及各自的OpenCV函数。）
首先，我使用高斯导数滤波器检测每个像素处的梯度幅度。高斯微分滤波器具有较大的孔径（在这种情况下为11x11像素），因此对噪声非常不敏感。然后，我将梯度图像归一化为均值= 1，因此我可以对两个样本使用相同的阈值。
src = Import["http://www.freeimagehosting.net/uploads/720da20080.jpg"];
pixels = ImageData[ColorConvert[src, "Grayscale"]];
gradient = Sqrt[GaussianFilter[pixels, 5, {1, 0}]^2 + GaussianFilter[pixels, 5, {0, 1}]^2];
gradient = gradient/Mean[Flatten[gradient]];
OpenCV实现：您可以使用
sepFilter2D进行实际过滤，但显然，您必须自己计算过滤器内核值。结果看起来像这样：
，标志背景为深色，标志边框为明亮。因此，我可以对该图像进行二值化处理，并查找暗连接的组件。
binaryBorders = Binarize[Image[gradient], 0.2];
sign = DeleteBorderComponents@ColorNegate[binaryBorders];
largestComponent = SortBy[ComponentMeasurements[sign, {"Area", "ConvexVertices"}][[All, 2]], First][[-1, 2]];
OpenCV实现：阈值化应该很简单，但是我认为OpenCV不包含连接组件分析-您可以使用Flood Fill或cvBlobsLib。
现在，只需在图像中心附近找到最大的Blob，然后找到凸包（我只是使用了未连接到的最大Blob背景，但可能不足以显示每张图片。
结果：
#2 楼
在这种情况下，可以采取的另一种对噪声更鲁棒的方法是沿x轴和y轴生成图像的平均灰度曲线。也就是说，计算图像中每行/每列的平均灰度级。例如，如果招牌（或其边界）比周围的环境更亮（所有问题中显示的示例），您将在x轴曲线中有两个峰（左右边界），在y轴曲线中有两个峰（上下边界）。使用一维信号的边界检测技术（可能是高通滤波器），可以推断出招牌的拐角坐标。
我已经看到这种方法可用于检测车牌和还可用于面部识别（鼻子往往是面部较亮的部分，因此它会在x轴和y轴曲线上产生一个峰值）。
评论
$ \ begingroup $
嗯..如果旋转招牌或转动相机怎么办？
$ \ endgroup $
–穆斯塔法
2012年7月26日15:56
#3 楼
这可能是一个颠倒的想法，但可能值得尝试。也许您可以像对待信息一样对待文本，并使用它来更容易地检测矩形，而不是尝试检测矩形并像噪音一样思考文本。这里是概念的提要：
检测图像中的文本。它不必是一个可靠的实现（您应该可以在Google小型谷歌库中做到这一点，或者OpenCV可以做到这一点），只需大致估算图像中的文本
所有文本检测的中心。即使有嘈杂的图像，它也应该在真实的地方。
在文本检测区域周围进行霍夫矩形检测。也许使用距文本检测中心的中间距离，或类似的方法。进行不同的直径处理并获得最强烈的回忆。
解释和优点：
文本周围的区域通常是同质的-实际矩形应为第一次强烈的回忆
这样，您就不必对整个图像进行霍夫变换，因此您可以通过更多的方式做到这一点（也许在同一区域进行了多次变换，但是铲斗尺寸不同...）
评论
关键字：opencv，霍夫变换重复项：stackoverflow.com/questions/1817442 stackoverflow.com/questions/2068013是的，霍夫变换FTW！
但是图像中有噪点，我如何找出哪个是招牌的边界
@ xabi123：霍夫变换，阈值，读出边界
您可以分享示例图片吗？