C 从边缘检测器输出修剪短线段？

我正在寻找一种算法，从边缘检测器的输出中修剪短线段。如下图（和链接）所示，检测到的一些小边缘不是“长”线。理想情况下，我只希望四边形的4个边在处理后显示出来，但如果有几条虚线，那也没什么大不了的。。。有什么建议吗

---

我怀疑这是否可以通过简单的本地操作实现。查看要保留的矩形-存在多个间隙，因此执行局部操作以删除短线段可能会严重降低所需输出的质量

因此，我会尝试通过闭合间隙、拟合多边形或类似的方式将矩形检测为重要内容，然后在第二步中丢弃剩余的不重要内容。也许你能帮上忙

更新

---

我刚刚使用了一个内核Hough变换对你的样本图像进行了处理，得到了四条很好的直线来拟合你的矩形。

在找到边缘之前，用一个打开操作或关闭操作（或两者）预处理图像，即先腐蚀后扩张，或先扩张后腐蚀。这将删除较小的对象，但保留较大的对象大致相同

---

我在网上找了一些例子，我能找到的最好的例子是PDF的第41页。

Hough变换可能是一个非常昂贵的操作

在您的案例中，另一个可行的方法是：

分别使用一条水平线和一条垂直线（由测试确定的给定长度）结构元素运行2个称为图像闭合（）的数学形态学操作。其要点是闭合大矩形中的所有间隙

运行连接组件分析。如果您有效地完成了形态学，那么大矩形将显示为一个连接的组件。然后，它只会遍历所有连接的组件，并选择最有可能的候选对象，即大矩形

---

可能是找到连接的组件，然后移除小于X像素的组件（根据经验确定），然后沿水平/垂直线进行扩展，以重新连接矩形内的间隙。可以遵循两种主要技术：

基于向量的操作：将像素岛映射为簇（blob、voronoi区域，等等）。然后应用一些启发式方法来校正分段，如Chin链近似算法，并对向量元素（起点、终点、长度、方向等）进行修剪

基于集合的操作：对数据进行集群（如上所述）。对于每个簇，计算主成分并通过查找仅显示1个有效特征值的簇（或者如果查找可能类似于椭圆的“胖”段，则为2个），从圆或任何其他形状检测线。检查和特征值关联的特征向量，以获得关于水滴方向的信息，并做出选择

---

使用OpenCV可以很容易地探索这两种方法（前者实际上属于algos的“轮廓分析”类别）。

如果有人踩到了这条线，OpenCV 2.x将提供一个名为squares.cpp的示例，它基本上完成了这项任务

我对应用程序做了一点修改，以改进四边形的检测

代码：

#include "highgui.h"
#include "cv.h"

#include <iostream>
#include <math.h>
#include <string.h>

using namespace cv;
using namespace std;

void help()
{
        cout <<
        "\nA program using pyramid scaling, Canny, contours, contour simpification and\n"
        "memory storage (it's got it all folks) to find\n"
        "squares in a list of images pic1-6.png\n"
        "Returns sequence of squares detected on the image.\n"
        "the sequence is stored in the specified memory storage\n"
        "Call:\n"
        "./squares\n"
    "Using OpenCV version %s\n" << CV_VERSION << "\n" << endl;
}

int thresh = 70, N = 2; 
const char* wndname = "Square Detection Demonized";

// helper function:
// finds a cosine of angle between vectors
// from pt0->pt1 and from pt0->pt2
double angle( Point pt1, Point pt2, Point pt0 )
{
    double dx1 = pt1.x - pt0.x;
    double dy1 = pt1.y - pt0.y;
    double dx2 = pt2.x - pt0.x;
    double dy2 = pt2.y - pt0.y;
    return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10);
}

// returns sequence of squares detected on the image.
// the sequence is stored in the specified memory storage
void findSquares( const Mat& image, vector<vector<Point> >& squares )
{
    squares.clear();

    Mat pyr, timg, gray0(image.size(), CV_8U), gray;

    // karlphillip: dilate the image so this technique can detect the white square,
    Mat out(image);
    dilate(out, out, Mat(), Point(-1,-1));
    // then blur it so that the ocean/sea become one big segment to avoid detecting them as 2 big squares.
    medianBlur(out, out, 3);

    // down-scale and upscale the image to filter out the noise
    pyrDown(out, pyr, Size(out.cols/2, out.rows/2));
    pyrUp(pyr, timg, out.size());
    vector<vector<Point> > contours;

    // find squares only in the first color plane
    for( int c = 0; c < 1; c++ ) // was: c < 3
    {
        int ch[] = {c, 0};
        mixChannels(&timg, 1, &gray0, 1, ch, 1);

        // try several threshold levels
        for( int l = 0; l < N; l++ )
        {
            // hack: use Canny instead of zero threshold level.
            // Canny helps to catch squares with gradient shading
            if( l == 0 )
            {
                // apply Canny. Take the upper threshold from slider
                // and set the lower to 0 (which forces edges merging)
                Canny(gray0, gray, 0, thresh, 5);
                // dilate canny output to remove potential
                // holes between edge segments
                dilate(gray, gray, Mat(), Point(-1,-1));
            }
            else
            {
                // apply threshold if l!=0:
                //     tgray(x,y) = gray(x,y) < (l+1)*255/N ? 255 : 0
                gray = gray0 >= (l+1)*255/N;
            }

            // find contours and store them all as a list
            findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);

            vector<Point> approx;

            // test each contour
            for( size_t i = 0; i < contours.size(); i++ )
            {
                // approximate contour with accuracy proportional
                // to the contour perimeter
                approxPolyDP(Mat(contours[i]), approx, arcLength(Mat(contours[i]), true)*0.02, true);

                // square contours should have 4 vertices after approximation
                // relatively large area (to filter out noisy contours)
                // and be convex.
                // Note: absolute value of an area is used because
                // area may be positive or negative - in accordance with the
                // contour orientation
                if( approx.size() == 4 &&
                    fabs(contourArea(Mat(approx))) > 1000 &&
                    isContourConvex(Mat(approx)) )
                {
                    double maxCosine = 0;

                    for( int j = 2; j < 5; j++ )
                    {
                        // find the maximum cosine of the angle between joint edges
                        double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
                        maxCosine = MAX(maxCosine, cosine);
                    }

                    // if cosines of all angles are small
                    // (all angles are ~90 degree) then write quandrange
                    // vertices to resultant sequence
                    if( maxCosine < 0.3 )
                        squares.push_back(approx);
                }
            }
        }
    }
}


// the function draws all the squares in the image
void drawSquares( Mat& image, const vector<vector<Point> >& squares )
{
    for( size_t i = 1; i < squares.size(); i++ )
    {
        const Point* p = &squares[i][0];
        int n = (int)squares[i].size();
        polylines(image, &p, &n, 1, true, Scalar(0,255,0), 3, CV_AA);
    }

    imshow(wndname, image);
}


int main(int argc, char** argv)
{
    if (argc < 2)
    {
        cout << "Usage: ./program <file>" << endl;
        return -1;
    }

    static const char* names[] = { argv[1], 0 };

    help();
    namedWindow( wndname, 1 );
    vector<vector<Point> > squares;

    for( int i = 0; names[i] != 0; i++ )
    {
        Mat image = imread(names[i], 1);
        if( image.empty() )
        {
            cout << "Couldn't load " << names[i] << endl;
            continue;
        }

        findSquares(image, squares);
        drawSquares(image, squares);
        imwrite("out.jpg", image);

        int c = waitKey();
        if( (char)c == 27 )
            break;
    }

    return 0;
}

#包括“highgui.h”
#包括“cv.h”
#包括
#包括
#包括
使用名称空间cv；
使用名称空间std；
无效帮助（）
{
库特1000&&
isContourConvex（材料（近似）））
{
双最大余弦=0；
对于（int j=2；j<5；j++）
{
//求关节边之间角度的最大余弦
双余弦=fabs（角度（约[j%4]，约[j-2]，约[j-1]）；
最大余弦=最大值（最大余弦，余弦）；
}
//如果所有角度的余弦都很小
//（所有角度约为90度）然后写入量子线
//结果序列的顶点
如果（最大余弦<0.3）
正方形。推回（大约）；
}
}
}
}
}
//该函数用于绘制图像中的所有正方形
空心绘图方块（材质和图像、常量向量和方块）
{
对于（size_t i=1；icout下面是一个简单的形态过滤解决方案，如下@Tom10行：

matlab中的解决方案：

se1 = strel('line',5,180);            % linear horizontal structuring element 
se2 = strel('line',5,90);             % linear vertical structuring element 
I = rgb2gray(imread('test.jpg'))>80;  % threshold (since i had a grayscale version of the image)
Idil = imdilate(imdilate(I,se1),se2); % dilate contours so that they connect
Idil_area = bwareaopen(Idil,1200);    % area filter them to remove the small components

其基本思想是将水平轮廓连接起来，形成一个大的组件，然后通过区域开放过滤器进行过滤，以获得矩形

结果：


+1用于建议Hough变换。只需在变换空间中找到四个最强的峰值，这就是你的四边形。你只寻找矩形吗？看看示例图片。矩形的边缘轮廓只有1像素薄！如果你先腐蚀，你将完全失去矩形和小边。如果你“首先放大，你可以缩小大矩形中的一些间隙，但这是另一个问题，并不能真正帮助你去除小边缘。@Levy-不，正如我在回答中明确指出的，在找到边缘之前，应该先关闭图像。当然，这不应该应用于边缘。”（但要感谢计算边缘的对象）。@tom10-谢谢你的建议，我换了