Python|python opencv透视变换矫正文档 python|opencv

对输入图片进行预处理首先处理成灰度图，接下来是对图像进行高斯平滑，这里我也不是很懂为什么要加高斯平滑，但我是这么想的，拍摄的照片使用噪点的，这种噪点很可能服从高斯分布，所有要用高斯平滑。
接下来是二值化，但是二值化之后存在一点白色的小点，那就用开操作去除一下这些白点，然后再提取轮廓。

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#转化成灰度图 gray = cv2.GaussianBlur(gray, (5, 5), 1)#高斯滤波ref, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) kernel = np.ones((9, 9), np.uint8) thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=4)#开操作这里开操作的其中一个意义是能够让边角钝化，防止提起大致轮廓的时候提取的多于4个 imgShow(thresh) contours, hierachy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

【Python|python opencv透视变换矫正文档】 二值化图像和开操作对比：

文章图片

文章图片

这里有一点自己的理解，开操作的意义不止在于消除了白色的杂质小点，更是钝化了四个角和边缘，在随后近似轮廓处理里面更不容易误判成多个点（大于四个）。
提取图像并透视变换这里需要注意的就一个地方——为什么要用近似轮廓呢？
近似轮廓就只有四个点，我们需要识别的矩形也是四个顶点，可以很方便实现透视变换。

contours = contour_demo(img) # 轮廓唯一，以后可以扩展 contour = contours[0] # 求周长，可在后面的转换中使用周长和比例 print(cv2.arcLength(contour,True)) img_copy = img.copy() # 使用approxPolyDP，将轮廓转换为直线，22为精度（越高越低），TRUE为闭合 approx = cv2.approxPolyDP(contour, 22, True) print(approx.shape) # print(approx) cv2.drawContours(img_copy, [approx], -1, (255, 0, 0), 15) imgShow(img_copy) n = [] # 生产四个角的坐标点 for x, y in zip(approx[:, 0, 0], approx[:, 0, 1]): n.append((x, y)) p1 = np.array(n, dtype=np.float32) # 对应点 p2 = np.array([(0, 0), (0, 1500), (1000, 1500), (1000, 0)], dtype=np.float32) M = cv2.getPerspectiveTransform(p1, p2) # 变换矩阵 # 使用透视变换 result = cv2.warpPerspective(img_copy, M, (0, 0)) # 重新截取 result = result[:1501, :1001]

如果用之前的思路，就是用轮廓加外接矩形来做，但是效果非常差。
我觉得，造成这种情况的原因，可能是旋转外接矩形有自身的限制，应该是这样的吧，处理现实拍照的过程就是比较麻烦一些。