Python 检测具有模糊边缘和不同背景的卡的边缘

这是我的测试照片

我正在努力寻找卡片的边缘。但是，正如您所看到的，边缘有些模糊

为了找到边缘，我首先增强了图像的对比度，希望模糊边缘不会那么模糊，更容易找到： 然后我用高斯模糊来平滑它（我试着去除高斯模糊，但是边缘检测器在背景+卡片中发现了很多细节）

然后我将canny与“动态阈值”结合使用，得到以下结果： 正如你所看到的，我发现了卡片的任何边缘（除了左边的，因为背景很暗，所以很容易找到）。是否有一种稳健的（我不想“过度拟合”这幅图像）方法来发现直线模糊边缘

我在这里找到了一些建议： ，但没有一个产生令人满意的边缘

完整代码：

def auto_canny(image, sigma=0.5):
    v = np.median(image)
    lower = int(max(0, (1.0 - sigma) * v))
    upper = int(min(255, (1.0 + sigma) * v))
    return cv2.Canny(image, lower, upper)

def add_contrast(img, contrast_level=8):
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)

    l, a, b = cv2.split(lab)

    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(contrast_level, contrast_level))
    cl = clahe.apply(l)

    limg = cv2.merge((cl, a, b))

    final = cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)

    return final

# ------------------------------------------ #
# FIND EDGES
# ------------------------------------------ #
img = add_contrast(img=img, contrast_level=8)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0)

edges = auto_canny(image=blur_gray) 

# Show images for testing
cv2.imshow('edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

您可以通过使用

cv2.floodFill

填充部分背景来改进解决方案

在找到边之前增强对比度是一个不错的主意，但它似乎会创建一些瑕疵，使得查找边更加困难

下面是一个代码示例：

import numpy as np
import cv2


def auto_canny(image, sigma=0.5):
    v = np.median(image)
    lower = int(max(0, (1.0 - sigma) * v))
    upper = int(min(255, (1.0 + sigma) * v))
    return cv2.Canny(image, lower, upper)


img = cv2.imread('card.png')

h, w = img.shape[0], img.shape[1]

# Seed points for floodFill (use few points at each corner for improving robustness)
seedPoints = ((5, 5), (w-5, 5), (5, h-5), (w-5, h-5), 
              (w//2, 5), (w//2, h-5), (5, h//2), (w-5, h//2), 
              (w//4, 5), (w//4, h-5), (5, h//4),  (w-5, h//4),
              (w*3//4, 5), (w*3//4, h-5), (5, h*3//4),  (w-5, h*3//4))

# Fill parts of the background with black color
for seed in seedPoints:
    cv2.floodFill(img, None, seedPoint=seed, newVal=(0, 0, 0), loDiff=(2, 2, 2), upDiff=(2, 2, 2))

# ------------------------------------------ #
# FIND EDGES
# ------------------------------------------ #
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0)

# Second, process edge detection use Canny.
edges = auto_canny(image=blur_gray)

# Show images for testing
cv2.imshow('edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

---

我知道这不是一个完整的解决方案，但我希望它能帮助

这也不是一个完整的解决方案，但是如果红色部分有问题，您可以首先使用函数修复这些部分。然后，您可以应用其余的方法来查找卡片边缘

# create an inpainting mask with "red-enough" pixels
mask = cv2.inRange(img_src_rgb, np.array([200,0,0]), np.array([255,50,50]))
# enlarge the mask to cover the borders
kernel = np.ones((3,3),np.uint8)
mask = cv2.dilate(mask,kernel,iterations = 1)
# inpaint the red parts using Navier-Stokes based approach
img_dst = cv2.inpaint(img_src, mask,50,cv2.INPAINT_NS)
cv2.imshow("no_red", img_dst)

生成的图像如下所示

编辑：现在我们知道了您的问题，下面是一个完整的解决方案

修复后，可以应用Hough变换来查找图像中的强直线

gray = cv2.cvtColor(img_dst, cv2.COLOR_RGB2GRAY)
edges = auto_canny(gray) # your auto_canny function, WITHOUT blur
lines = cv2.HoughLines(edges, 1, np.pi/90, 50)
for line in lines:
    rho,theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a*rho
    y0 = b*rho
    x1 = int(x0 + 10000*(-b))
    y1 = int(y0 + 10000*(a))
    x2 = int(x0 - 10000*(-b))
    y2 = int(y0 - 10000*(a))
    cv2.line(img_dst,(x1,y1),(x2,y2),(0,255,0),1)

cv2.imwrite('linesDetected.jpg', img_dst)

同样，结果行如下所示

---

一步很难找到ID的底部。您可以将阈值放宽到canny并对返回的边进行后处理，或者编写自己的边检测方法。在某种程度上，检测上边缘和左边缘应该更容易。你真正需要的是左上角和左下角来查找倾斜和缩放。测试图像是否用红色编辑了信息？或者你是在发布图片之前手动添加的？@eldesgraciado我在发布图片之前手动添加了红色（尽管我在这张图片上运行了算法）。这是个好主意！然而，这不是我的问题。我希望找到一种检测模糊边缘的方法在您的示例中，模糊边缘主要由红色区域边界控制，因此我建议将此解决方案作为预处理步骤。您应该纠正您的问题，指出原始图像中没有红色部分，并根据原始图像生成一个示例输出，以便我们提供帮助。@AlexGoft，请参阅上面的完整答案。谢谢您的回答，并对由此带来的不便表示歉意。你能详细解释一下为什么使用canny而不使用模糊吗？你实际上需要边和角，高斯模糊会使它们平滑，所以你也会丢失卡片的边。如果需要一些边缘感知平滑，可以尝试双边过滤器。此外，增加对比度会引入新的边，这些边对噪波的贡献大于对搜索的边的贡献。在这种情况下，您应该利用数据中的假设：卡片边缘是直线。点只是沿着图像的周长均匀分布（我应该使用循环）。