使用 OpenCV.js 检测角落里有正方形的框架

我一直在尝试使用 Javascript 和 OpenCV.js 创建一个填写的表单扫描仪。 我基本上想做的是拍摄一张写有填写好的表格的纸的照片，然后能够扫描照片并分析表格中的答案。 第一步是实际找到图片中的形式并应用透视变换以获得论文的“自上而下的视图”。 我所做的就是设法让脚本检测这张纸并应用转换以很好地扫描它。我通过应用灰度来做到这一点，然后应用 Canny 边缘检测，迭代找到的边缘，找到最大的有 4 个角的边缘，并假设这一定是我的论文。

这种方法效果相对较好，但有时脚本会混淆纸张的实际内容 - 有时会检测到其他矩形并假定其是纸张，有时拍摄纸张的背景非常亮并且有边缘不清晰（对比度不够）。当脚本认为它已经找到了纸张时，这确实破坏了我的流程，但实际上是其他东西。我想改进这个纸张检测部分，这样我就可以始终确保检测到正确的东西。 我想 - 让我们在表单周围添加一个自定义框架，这将更容易检测并在角落添加一些正方形（以仔细检查找到的框架是否 100% 是我正在寻找的框架）。

所以我创建了这样的东西：

现在我希望能够检测框架的角落，并确保“填充”的方块位于角落中，以确保这 100% 是我正在寻找的框架。 您能建议一下如何用 openCV 实现它吗？ 这是正确的方法吗？ 谢谢！

我以前也研究过类似的问题。我使用 OpenCV 的 C++ 实现，但我有一些提示给您。

分割纸张

为了实现更好的细分，请考虑尝试图像量化 https://www.pyimagesearch.com/2014/07/07/color-quantization-opencv-using-k-means-clustering/。该技术将图像分割为N 个簇，即将颜色相似的像素分为一组。然后，该组由一种颜色表示。

该技术相对于其他技术（例如纯技术）的优势二进制阈值，是它可以识别多种颜色分布——那些将被分组的颜色分布N 个簇。看看（抱歉链接，我还不允许发布直接图像）：

这将帮助您更好地分割论文。该实现使用称为的聚类算法“K-means”（稍后会详细介绍）。在我的示例中，我尝试了 3 个集群和 5 次算法“运行”（或尝试，因为 K 均值通常运行多次）。

cv::Mat imageQuantization( cv::Mat inputImage, int numberOfClusters = 3, int iterations = 5 ){

        //step 1 : map the src to the samples
        cv::Mat samples(inputImage.total(), 3, CV_32F);
        auto samples_ptr = samples.ptr<float>(0);
        for( int row = 0; row != inputImage.rows; ++row){
            auto src_begin = inputImage.ptr<uchar>(row);
            auto src_end = src_begin + inputImage.cols * inputImage.channels();
            //auto samples_ptr = samples.ptr<float>(row * src.cols);
            while(src_begin != src_end){
                samples_ptr[0] = src_begin[0];
                samples_ptr[1] = src_begin[1];
                samples_ptr[2] = src_begin[2];
                samples_ptr += 3; src_begin +=3;
            }
        }

        //step 2 : apply kmeans to find labels and centers
        int clusterCount = numberOfClusters; //Number of clusters to split the set by
        cv::Mat labels;
        int attempts = iterations; //Number of times the algorithm is executed using different initial labels
        cv::Mat centers;
        int flags = cv::KMEANS_PP_CENTERS;
        cv::TermCriteria criteria = cv::TermCriteria( CV_TERMCRIT_ITER | CV_TERMCRIT_EPS,
                                                      10, 0.01 );

        //the call to kmeans:
        cv::kmeans( samples, clusterCount, labels, criteria, attempts, flags, centers );

        //step 3 : map the centers to the output
        cv::Mat clusteredImage( inputImage.size(), inputImage.type() );
        for( int row = 0; row != inputImage.rows; ++row ){
            auto clusteredImageBegin = clusteredImage.ptr<uchar>(row);
            auto clusteredImageEnd = clusteredImageBegin + clusteredImage.cols * 3;
            auto labels_ptr = labels.ptr<int>(row * inputImage.cols);

            while( clusteredImageBegin != clusteredImageEnd ){
                int const cluster_idx = *labels_ptr;
                auto centers_ptr = centers.ptr<float>(cluster_idx);
                clusteredImageBegin[0] = centers_ptr[0];
                clusteredImageBegin[1] = centers_ptr[1];
                clusteredImageBegin[2] = centers_ptr[2];
                clusteredImageBegin += 3; ++labels_ptr;
            }
        }   

        //return the output:
        return clusteredImage;
}

请注意，该算法还生成两个附加矩阵。"Labels"是用标识其簇的整数标记的实际像素。“中心”是mean每个簇的值。

检测边缘

现在，运行一个边缘检测器在此分割图像上。我们来试试坎尼吧。当然，您可以调整参数。在这里，我尝试了一个较低的门槛0f 30，和一个上限90。相当标准，只需确保上阈值遵循 = 3 * 下阈值的条件，按照 Canny 的建议。这是结果：

    cv::Mat testEdges;
    float lowerThreshold = 30;
    float upperThreshold = 3 * lowerThreshold;
    cv::Canny( testSegmented, testEdges, lowerThreshold, upperThreshold );

检测线条

好的。想要检测边缘检测器产生的线条吗？在这里，至少有两个选择。第一个也是最直接的：使用霍夫线检测器。然而，正如您肯定已经看到的那样，调整霍夫以找到您真正正在寻找的线条可能很困难。

过滤 Hough 返回的行的一种可能的解决方案是运行“角度滤镜”，因为我们只寻找（接近）垂直和水平线。您还可以按长度过滤行。

此代码片段给出了想法，您需要实际实现过滤器： // 运行霍夫线检测器： cv::HoughLinesP(grad,linesP,1,CV_PI/180,minVotes,minLineLength,maxLineGap);

    // Process the points (lines)
    for( size_t i = 0; i < linesP.size(); i++ ) //points are stored in linesP
    {
        //get the line
        cv::Vec4i l = linesP[i]; //get the line

        //get the points:
        cv::Point startPoint = cv::Point( l[0], l[1] );
        cv::Point endPoint = cv::Point( l[2], l[3] );

        //filter horizontal & vertical:
        float dx = abs(startPoint.x - endPoint.x);
        float dy = abs(startPoint.y - endPoint.y);

        //angle filtering, delta y and delta x
        if ( (dy < maxDy) || (dx < maxDx) ){
          //got my target lines!
        }
    }

在上面的代码中，我实际上正在使用线组件，而不是角度。所以，我的“角度”限制由 2 定义最小元件长度: maxDy- y 轴上的最大“增量”长度，以及maxDx对于 x 轴。

线条检测的另一个解决方案是利用这样一个事实：您只查看具有以下特征的线条：CORNERS或者它们之间大约 90 度。您可以运行形态过滤器来通过以下方式检测这些“模式”：击中或没打中手术 ：）

不管怎样，回到霍夫，这是我在没有太多参数调整并且应用角度/长度线滤波器之后得到的检测：

凉爽的。绿点代表线条的起点和终点。如您所见，有很多。怎样才能将它们“结合”起来呢？如果我们计算mean那些点？好的，但我们应该得到每个“象限”线的平均值。如下图所示，我将输入图像分为 4 个象限（黄线）：

希望每个象限都包含描述纸张角的点。对于每个象限，检查哪些点落在给定象限上并计算它们的平均值。这就是总体思路。

这需要编写相当多的代码。幸运的是，如果我们稍微研究一下这个问题，我们就会发现所有的绿点都倾向于CLUSTER在一些非常明确的区域（或者，正如我们之前所说的，“象限”。）再次输入 K 均值。

无论如何，K 均值都会对具有相似值的数据进行分组。它可以是像素，它可以是空间点，它可以是任何东西，只要给它数据集和你想要的簇的数量，它就会吐出找到的簇和所述簇的含义——很好！

如果我使用 Hough 返回的线点运行 K 均值，我会得到最后一个图像中显示的结果。我还丢弃了与平均值相差太远的点。点的平均值通过“中心”矩阵返回，在这里它们以橙色呈现——非常接近！

希望其中一些对您有所帮助！ :)