Преобразование пластин в горизонтальное с помощью преобразования Hough - PullRequest
Новая
       82

Преобразование пластин в горизонтальное с помощью преобразования Hough

0 голосов
/ 22 апреля 2020

Я пытаюсь преобразовать изображения, которые не являются горизонтальными, потому что они могут быть наклонными.

Оказывается, что при тестировании 2 изображений, это фотография горизонтальная, а эта - нет. Это дает мне хорошие результаты с горизонтальной фотографией, однако, при попытке изменить вторую фотографию, которая наклонена, она не делает то, что ожидалось.

изображение кулака работает нормально, как показано ниже с тэтой 1.6406095. Сейчас это выглядит плохо, потому что я пытаюсь сделать так, чтобы две фотографии выглядели горизонтально.

enter image description here

второе изображение скажем что тэта просто 1.9198622

enter image description here

Я думаю, что ошибка в этой строке: 

lines= cv2.HoughLines(edges, 1, np.pi/90.0, 60, np.array([]))

Я сделал небольшое моделирование этой ссылки с colab .

Любая помощь приветствуется.

1 Ответ

0 голосов
/ 22 апреля 2020

Пока это то, что я получил. 

import cv2
import numpy as np

img=cv2.imread('test.jpg',1)
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
imgBlur=cv2.GaussianBlur(imgGray,(5,5),0)
imgCanny=cv2.Canny(imgBlur,90,200)
contours,hierarchy =cv2.findContours(imgCanny,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

rectCon=[]
for cont in contours:
    area=cv2.contourArea(cont)
    if area >100:
        #print(area) #prints all the area of the contours
        peri=cv2.arcLength(cont,True)
        approx=cv2.approxPolyDP(cont,0.01*peri,True)
        #print(len(approx)) #prints the how many corner points does the contours have
        if len(approx)==4:
            rectCon.append(cont)
            #print(len(rectCon))

rectCon=sorted(rectCon,key=cv2.contourArea,reverse=True) # Sort out the contours based on largest area to smallest


bigPeri=cv2.arcLength(rectCon[0],True)
cornerPoints=cv2.approxPolyDP(rectCon[0],0.01*peri,True)

# Reorder bigCornerPoints so I can prepare it for warp transform (bird eyes view)
cornerPoints=cornerPoints.reshape((4,2))
mynewpoints=np.zeros((4,1,2),np.int32)
add=cornerPoints.sum(1)

mynewpoints[0]=cornerPoints[np.argmin(add)]
mynewpoints[3]=cornerPoints[np.argmax(add)]
diff=np.diff(cornerPoints,axis=1)
mynewpoints[1]=cornerPoints[np.argmin(diff)]
mynewpoints[2]=cornerPoints[np.argmax(diff)]

# Draw my corner points 
#cv2.drawContours(img,mynewpoints,-1,(0,0,255),10)

##cv2.imshow('Corner Points in Red',img)
##print(mynewpoints)

# Bird Eye view of your region of interest
pt1=np.float32(mynewpoints) #What are your corner points
pt2=np.float32([[0,0],[300,0],[0,200],[300,200]]) 
matrix=cv2.getPerspectiveTransform(pt1,pt2) 
imgWarpPers=cv2.warpPerspective(img,matrix,(300,200)) 
cv2.imshow('Result',imgWarpPers)

Result

Теперь вам просто нужно исправить наклон (у opencv есть перекос), а затем используйте некоторое пороговое значение для обнаружения букв, а затем распознайте каждую букву.

Что касается общего назначения, я думаю, что сначала необходимо нормализовать изображения, чтобы мы могли легко обнаружить края.

...