python OpenCV进行矩形识别

图像识别中，圆形和矩形识别是最常用的两种，上一篇讲解了圆形识别，本例讲解矩形识别，最后的结果是可以识别出圆心，4个顶点，如下图：
左边是原始图像，右边是识别结果，在我i5 10400的CPU上，执行时间不到8ms。

识别出结果后，计算任意3个顶点的彼此距离，共3个数据，其中数值最小值对应的2个顶点是短边，数值最大的2个顶点对应矩形的对角线，中间那个值的矩形的长边。如果是正方形，则最小值和中间值相等。知道了长边的2个点，也就很容易求得矩形的旋转方向，在机器人捡拾物品的过程中，也就知道了末端执行器的旋转角度值。

重要函数讲解

1 高斯模糊

blur = cv2.GaussianBlur(resized, (5, 5), 0)     # 高斯模糊, 窗口为5x5, 标准差为0

高斯模糊，或者叫高斯滤波，其中resized是输入的图像数组，blur是输出的图像数组，(5,5)是一个5*5的卷积核，可大可小，但必须为奇数。这一步是消除图像中的噪声，以免其影响识别结果。

2 图像格式转换

RGB格式

img = cv2.imread(".\\img\\save2.jpg")

图像加载后，默认就是RGB格式。

常见照片的图像格式是RGB或RGBA的，也就是红绿蓝通道，再加上透明度通道。
如果我们要识别的图像中，与颜色有关，如只要识别红色的物体，那我们就用RGB格式进行处理，并提取其中的一个通道。如下图，在红色通道中，红色物体的亮度最高，其他同理。
但是显然，下图中，在红色通道要提取红色并不容易，因为红色通道中红色和背景的颜色差不多，难以将前景与背景分离。而绿色通道和蓝色通道，对红色的识别度更好些。

HLS格式

lab = cv2.cvtColor(blur, cv2.COLOR_RGB2HLS)     # 转为HLS图像模式, 此模式区分颜色简单, 同时处理速度快

如果与颜色无关，需要识别时，可以考虑采用HLS色彩模式进行。这个色彩模型是由色调，饱和度，亮度3个通道构成，如下：

可以看出，L通道的轮廓最明显，因此可以使用该通道来做图像识别。

同样对于需要提取的红色物体，可以在识别出矩形之后，取矩形中心点（更好的是中心一小块区域的平均值）的颜色值，再自己判断一下颜色，即可筛选出想要的红色矩形了。

3 通道分离

这其实是对numpy数组的操作

channel_h = lab[:, :, 0]                        # 提取H通道 色相channel_l = lab[:, :, 1]                        # 提取L通道 明度channel_s = lab[:, :, 2]                        # 提取S通道 饱和度

4 二值化

ret_val, bin_channel_l = cv2.threshold(channel_l.copy(), 170, 255, cv2.THRESH_BINARY_INV)   # 复制L通道, 并二值化

第1个参数是复制一次L通道
第2个参数：170 是阈值
第3个参数：255 是填充值
第4个参数是模式，即二值化，还是反二值化，本例是反二值化

5 查找轮廓

    contours = cv2.findContours(bin_channel_l, cv2.RETR_EXTERNAL, cv2.CHaiN_APPROX_NONE)

第1个参数是图像数组
第2个参数是查找模式，当前模式为查找最外面的轮廓，对于轮廓内部的轮廓，则不查找
第3个参数是输出所有轮廓点的信息

查找的轮廓点会有很多组，面积大小也不一，本例中只关心4个顶点的轮廓，也就是矩形。

面积大小可以设一个阈值，小于这个阈值的矩形也不是我们想要的。根据矩形长宽所占用的像素值，乘一下就是该矩形的面积，超过这个阈值的矩形，就是我们想要的。

最后，如果要对颜色进行筛选，则可以从矩形的中心取一个5x5的矩形，对其RGB的值分别进行求和，再除以25（5x5），即是该区域的颜色值。

完整代码

将以下代码复制到IDE中即可，需要事先安装好Python, opencv, numpy等相关运行库

# coding:   UTF-8# 作者:     李佳# Email:    36566686@qq.com# WeChat:   laolidesenlin# Date：    2020/4/1  20:09# Filename：detect_rect.PY# SoftTool：PyCharm__author__ = '李佳'import cv2import timeimport numpy as npdef draw_rect(img, rect_point):

来源地址：https://blog.csdn.net/13011803189/article/details/129184510