Image processing 检测图像中的一张纸，如cam扫描仪应用程序

从图像中，我需要提取一张纸，就像camscanner应用程序一样

我知道我可以通过检测我想要检测的纸张的边缘来做到这一点。然后执行透视变换。我在python中使用openCV库。 这是我试图在其中查找纸张的图像：

（） 以下是我已经尝试过的：

方法1： （使用阈值）

使用图像平滑（guassian）对图像进行预处理 模糊/双边模糊）

将图像分割为h、s、v通道

饱和信道上的自适应阈值

一些形态学操作，如膨胀和侵蚀

查找等高线，确定最大等高线并查找 角点 我根据stackoverflow答案实现了此方法： 链接： 我可以找到一些图像的纸张，但对于这样的图像它失败了：

（）

方法2： （使用sobel梯度算子）

通过转换为灰度对图像进行预处理，图像平滑（guassian 模糊/双边模糊）

寻找图像的梯度

对图像进行下采样和上采样

在此之后，我不知道如何找到包围图像的适当边界。 我根据stackoverflow答案实现了此方法： 链接： 以下是我对图像的理解程度：

（）

方法3： （使用canny边缘检测器）

根据我在这个社区上读到的帖子，似乎每个人都喜欢用精明的边缘方法来提取边缘，但在我的例子中，结果并不令人满意。以下是我所做的：

通过转换为灰度对图像进行预处理，图像平滑（guassian 模糊/双边模糊）

利用canny边缘提取边缘

一些形态学操作，如膨胀和侵蚀

但从canny获得的边缘确实不符合要求。 我根据stackoverflow答案实现了此方法： Link:，我也不太清楚他在这个答案中通过多个通道迭代做了什么。 以下是我对图像的理解程度：

（）

下面是有关method1（阈值化）的一些代码：

#将图像读入BGR空间
image=cv2.imread（“./images/sheet3.png”）
#双边滤波以平滑图像，但不平滑边缘
img=cv2.双边过滤器（图，20,75,75）
#将BGR转换为HSV
hsv=cv2.CVT颜色（img，cv2.COLOR\U BGR2HSV）
#分割HSV频道
h、 s，v=cv2.分流（hsv）
#双倍饱和通道
灰色=cv2.addWeighted（cv2.CVT颜色（img，cv2.COLOR\u BGR2GRAY），0.0，s，2.0，0）
#自适应阈值分割
阈值=cv2。自适应阈值（灰色，255，cv2。自适应阈值平均值，cv2。阈值二进制值，109，10）
#应用膨胀和侵蚀的形态学运算
kernel=cv2.getStructuringElement（cv2.morp_RECT，（2,2））
morph=cv2.morphologyEx（脱粒，cv2.morph_开放，内核）
#寻找所有的轮廓
cnts=cv2.findContours（变形、cv2.RETR\u列表、cv2.CHAIN\u近似简单）[-2]
canvas=img.copy（）
#对轮廓进行排序并获取最大轮廓
cnts=已排序（cnts，键=cv2.轮廓面积）
碳纳米管=碳纳米管[-1]
#求轮廓的周长
弧长=cv2.弧长（cnt，真）
#通过近似多边形DP查找轮廓的端点
近似值=cv2.近似聚合度（cnt，0.02*arclen，真值）
cv2.绘制轮廓图（画布，[cnt]，-1，（255,0,0），1，cv2.线条图AA）
cv2.绘制轮廓（画布，[近似值]，-1，（0,0,255），1，cv2.线条_AA）
cv2.imwrite（“detected.png”，canvas）

我对图像处理和openCV有点陌生。

---

请分享一些关于如何更进一步，更准确地获得结果的见解。TIA。

对于此类问题，边缘检测通常表现不佳。喜欢区域检测，如方法1（可能具有自适应阈值，并尽可能利用颜色）。对于像这样的情况，放弃这个想法，任何东西都不会可靠地工作。@YvesDaoust我的想法是一样的，正如你在我上面提到的代码中所看到的，我使用了自适应阈值，因为每个像素的阈值都会改变，上述方法也不会产生准确的结果，例如，这幅图像：，这是阈值图像：不要期待奇迹，但使用更大的过滤器（不要满足于一次尝试）。还可以查看其他分段方法。请搜索现有的问题和答案。我感觉像是一天两次检测到一张纸被带到这里。@Pigger我所写的所有上述代码都来自以前的答案，尽管正如我所提到的，这些答案对某些图像不适用，例如：I.imgur.com/e6tVjaR.png。我只是要求做一些额外的处理。对于此类问题，莎草检测通常表现不佳。喜欢区域检测，如方法1（可能具有自适应阈值，并尽可能利用颜色）。对于像这样的情况，放弃这个想法，任何东西都不会可靠地工作。@YvesDaoust我的想法是一样的，正如你在我上面提到的代码中所看到的，我使用了自适应阈值，因为每个像素的阈值都会改变，上述方法也不会产生准确的结果，例如，这幅图像：，这是阈值图像：不要期待奇迹，但使用更大的过滤器（不要满足于一次尝试）。还可以查看其他分段方法。请搜索现有的问题和答案。我感觉像是一天两次检测到一张纸被带到这里。@Pigger我所写的所有上述代码都来自以前的答案，尽管正如我所提到的，这些答案对某些图像不适用，例如：I.imgur.com/e6tVjaR.png。我只是要求做一些额外的处理。谢谢