OpenCV：检测覆盖标签的边界框

我有类似的图像和类似的背景噪音。 使用OpenCV，是否有方法检测标签覆盖区域的区域（检测轮廓）。 或者至少，是否可以检测覆盖标签区域的“粗糙”边界框

---

我试图完成这项任务，主要的问题是如何选择合适的轮廓，这可能不允许推广该算法。我有两个值（轮廓长度）3108和2855。您可以尝试获取所有照片（如果它们与相机的距离相似），并将所需轮廓的阈值设置在3050和2750之间，但不能保证它会起作用。这就是我如何删除背景（完整代码）：

导入cv2
将numpy作为np导入
image=cv2.imread（'C:/Users/srlack/Desktop/of8cA.png'））
img=cv2.cvt颜色（图像，cv2.COLOR\u bgr2灰色）
def清除_垂直（img，目标）：
对于范围内的i（img.形状[1]）：
对于范围内的j（img.形状[0]）：
如果img[j][i]：
打破
其他：
目标[j][i]=[0,0,0]
def清除水平（img，目标）：
对于范围内的i（img.shape[0]）：
对于范围内的j（img.形状[1]）：
如果img[i][j]：
打破
其他：
目标[i][j]=[0,0,0]
def关闭（img）：
对于范围内的i（img.shape[0]）：
对于范围内的j（img.形状[1]）：
img[i][j]=0
def开启（img，结果）：
就我而言，结果是：
img[i[0][1]][i[0][0]]=255
def f（列表）：
最大值=[]
对于列表中的i：
如果len（i）>len（max）：
max=i
返回最大值
def rem（负载感应，脱粒）：
新的_c=[]
对于ls中的i：
如果len（i）>thresh：
新附录（一）
返回新的\u c
def rn（负载、最小值、最大值）：
ret=[]
对于ls中的i：
如果len（i）min：
印刷品（透镜（一））
ret.append（i）
回程网
#ret，tresh=cv2.threshold（img，40255，cv2.THRESH_二进制）
内核=np.ones（（2,2），np.uint8）
新=cv2.Canny（img，190,1）
explated=cv2.explate（新的，内核）
tresh，c，hr=cv2.已找到的容器（放大，cv2.翻新树，cv2.链约无）
c=rn（c，2600，4000）
关闭（新）
打开_（新建，c[0]）
清除水平（新，图像）
清除垂直（新，图像）
cv2.imwrite（'result\u image\u end.png'，image）
cv2.imshow（'wnd'，图像）
cv2.等待键（100）

我尝试过不同的方法，但这似乎比其他方法更有效。我相信opencv exist函数可以在水平和垂直方向上替代这个清晰的函数，但我记不起它的名字了。希望有帮助

---

我试图完成这项任务，主要的问题是如何选择合适的轮廓，这可能不允许推广该算法。我有两个值（轮廓长度）3108和2855。您可以尝试获取所有照片（如果它们与相机的距离相似），并将所需轮廓的阈值设置在3050和2750之间，但不能保证它会起作用。这就是我如何删除背景（完整代码）：

导入cv2
将numpy作为np导入
image=cv2.imread（'C:/Users/srlack/Desktop/of8cA.png'））
img=cv2.cvt颜色（图像，cv2.COLOR\u bgr2灰色）
def清除_垂直（img，目标）：
对于范围内的i（img.形状[1]）：
对于范围内的j（img.形状[0]）：
如果img[j][i]：
打破
其他：
目标[j][i]=[0,0,0]
def清除水平（img，目标）：
对于范围内的i（img.shape[0]）：
对于范围内的j（img.形状[1]）：
如果img[i][j]：
打破
其他：
目标[i][j]=[0,0,0]
def关闭（img）：
对于范围内的i（img.shape[0]）：
对于范围内的j（img.形状[1]）：
img[i][j]=0
def开启（img，结果）：
就我而言，结果是：
img[i[0][1]][i[0][0]]=255
def f（列表）：
最大值=[]
对于列表中的i：
如果len（i）>len（max）：
max=i
返回最大值
def rem（负载感应，脱粒）：
新的_c=[]
对于ls中的i：
如果len（i）>thresh：
新附录（一）
返回新的\u c
def rn（负载、最小值、最大值）：
ret=[]
对于ls中的i：
如果len（i）min：
印刷品（透镜（一））
ret.append（i）
回程网
#ret，tresh=cv2.threshold（img，40255，cv2.THRESH_二进制）
内核=np.ones（（2,2），np.uint8）
新=cv2.Canny（img，190,1）
explated=cv2.explate（新的，内核）
tresh，c，hr=cv2.已找到的容器（放大，cv2.翻新树，cv2.链约无）
c=rn（c，2600，4000）
关闭（新）
打开_（新建，c[0]）
清除水平（新，图像）
清除垂直（新，图像）
cv2.imwrite（'result\u image\u end.png'，image）
cv2.imshow（'wnd'，图像）
cv2.等待键（100）

我尝试过不同的方法，但这似乎比其他方法更有效。我相信opencv exist函数可以在水平和垂直方向上替代这个清晰的函数，但我记不起它的名字了。希望有帮助

---

使用更高的阈值然后查找最大的连接组件如何？请澄清，您想在不同的照片上查找类似的标签吗？或者您只需选择标签并删除背景？我要选择标签并删除背景。一旦我提取出包含标签的区域，我就可以使用SURF/SIFT运行它，以找到类似的图像。我已经介绍了第二部分，只是背景噪音太大了，我的命中率太低了哼哼，你为什么不手工裁剪图像呢？对于这张图像，二值化是无缝的。使用更高的阈值，然后找到最大的连接组件怎么样？请你澄清一下，你想在不同的照片上找到类似的标签吗？或者您只需选择标签并删除背景？我要选择标签并删除背景。一旦我提取出包含标签的区域，我就可以使用SURF/SIFT运行它，以找到类似的图像。我已经介绍了第二部分，只是背景噪音太大了，我的命中率太低了，你为什么不手工裁剪图像呢？对于这幅图像，二值化是无缝的。

import cv2 
import numpy as np


image=cv2.imread('C:/Users/srlatch/Desktop/of8cA.png')
img = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

def clear_vertical(img, target):
    for i in range(img.shape[1]):
        for j in range(img.shape[0]):
            if img[j][i]:
                break
            else:
                target[j][i]=[0,0,0]

def clear_horizontal(img, target):
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if img[i][j]:
                break
            else:
                target[i][j]=[0,0,0]



def turn_off(img):
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            img[i][j]=0

def turn_on(img,result):
    for i in result:
       img[i[0][1]][i[0][0]]=255


def f(list):
    max=[]
    for i in list:
        if len(i)>len(max):
            max=i
    return max 

def rem(ls, thresh):
    new_c=[]
    for i in ls:
        if len(i)>thresh:
            new_c.append(i)
    return new_c 

def rn(ls,min,max):
    ret=[]
    for i in ls:
         if len(i)<max and len(i)>min:
             print(len(i))
             ret.append(i)
    return ret

#ret,tresh = cv2.threshold(img,40,255,cv2.THRESH_BINARY)
kernel = np.ones((2,2),np.uint8)
new=cv2.Canny(img,190,1)
dilated=cv2.dilate(new, kernel)
tresh,c,hr=cv2.findContours(dilated,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
c=rn(c, 2600, 4000)
turn_off(new)
turn_on(new,c[0])

clear_horizontal(new,image)
clear_vertical(new,image)

cv2.imwrite('result_image_end.png',image)

cv2.imshow('wnd',image)
cv2.waitKey(100)