Python OpenCV 图像矫正的原理实现

题目描述

目录hw1下的图像是一些胶片的照片，请将其进行度量矫正。

推荐流程：采用Canny算子，检测边缘点；采用Hough直线检测，根据边缘点检测胶片边缘对应的4条直线；4条直线在图像平面中的交点为胶片图像的4个顶点。根据4个顶点与真实世界中胶片的位置（假设胶片图像长宽比为4:3），得到两个平面之间的单应变换矩阵，并根据单应变换矩阵实现图像矫正。

基本思路

使用Canny算子，检测边缘点；以边缘点作为输入，采用Hough直线检测，检测出最多点共线的四条直线，这四条直线的交点就是照片中屏幕的四个顶点；假设胶片图像长宽比为4:3，那么此时已知四个匹配的点，可以求解出两个平面之间的单应变换矩阵；从而可以使用原图像、单应变换矩阵，对原图像进行变换，即可实现图像矫正。实现日志

Canny边缘检测：Python OpenCV Canny边缘检测算法的原理实现详解

Hough直线检测：Python OpenCV Hough直线检测算法的原理实现

在具体实现时，发现对于给定的图像，几乎不可能通过调整阈值的方式，使得Hough检测到的直线刚好是屏幕边框。经过多轮调整，在下界为180、上界为260时取得了较为理想的结果，

如下图所示：

对于三张图像，经过实验，最终选择的最佳阈值为：

correct('images/1.jpeg', 180, 260)
correct('images/2.jpeg', 30, 100)
correct('images/3.jpeg', 100, 160)

但即便是最佳阈值，也无法做到仅检测出四条线。思考过后，决定加入一步人工筛选。

有两种可行的技术方案：

• 人工筛选直线

• 人工筛选交点

考虑到如果筛选交点的话，工作量明显比筛选直线更大，所以选择人工筛选直线。后面有时间的话考虑加入图形化界面，目前因时间原因，选择专注于算法本身，暂不考虑可视化编程。

直接显示出下图用于筛选：

这里符合条件的直线id为2、3、6、7。

求解得到的交点：

我们假设目标图像是4：3的，也就是其大小为(800, 600)，从而我们可以确定目标图像中四个关键点位置为[0, 0], [800, 0], [0, 600], [800, 600]。为了保证交点与目标点一一对应，最为高效的解决方案是，我们筛选图像的时候，按照上、左、下、右的顺序即可。

核心代码

def correct(image_path, threshold1, threshold2):
   # 读取图像并转换为灰度图像
   image = cv2.imread(image_path)
   gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
   # 使用Canny算子检测边缘
   edges = canny_detect(gray, threshold1, threshold2, show=False)
   # 使用Hough检测直线
   lines = hough_detect(image, edges, show=False)
   # 手动筛选
   for id, line in enumerate(lines):
       rho, theta = line[0]
       x1, y1, x2, y2 = convert_polar_to_two_points(rho, theta)
       temp_image = image.copy()
       cv2.line(temp_image, (x1, y1), (x2, y2), (255, 0, 0), 7)
       plt.subplot(5, 5, id + 1)
       plt.imshow(temp_image)
       plt.title('{}'.format(id))
       plt.xticks([])
       plt.yticks([])
   plt.show()
   choose = input('请输入您选择的直线的id，以空格分隔：').split(' ')

# 求解交点
   crossover_points = []
   assert len(choose) == 4
   for i in range(4):
       for j in range(i+1, 4):
           rho1, theta1 = lines[int(choose[i])][0]
           rho2, theta2 = lines[int(choose[j])][0]
           # 如果角度差太小，认为它们是平行线
           if abs(theta2 - theta1) > np.pi / 8 and abs(theta2 - theta1) < np.pi * 7 / 8:
               crossover_points.append(cal_crossover(rho1, theta1, rho2, theta2))
   # 确定变换前后的坐标
   before = np.float32(crossover_points)
   after = np.float32([[0, 0], [800, 0], [0, 600], [800, 600]])
   # 单应变换
   h = cv2.getPerspectiveTransform(before, after)
   result = cv2.warpPerspective(image, h, (800, 600))
   cv2.imwrite(image_path.split('.')[0] + '_correct.jpeg', result)
   return result

矫正结果：

来源：https://blog.csdn.net/qq_41112170/article/details/125817734