OpenCV版本：4.6.0.66
算法实现思路：
颜色识别(红色)形态学去噪轮廓检测多边形拟合透视矫正
代码实现：
import cv2import numpy as np# 可视化def img_show(name, img):cv2.namedWindow(name, 0)cv2.resizeWindow(name, 1000, 500)cv2.imshow(name, img)cv2.waitKey(0)def color_warped(path):img = cv2.imread(path)hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 颜色识别(红色)，过滤红色区域lower_red1 = np.array([0, 43, 46]) # 红色阈值下界higher_red1 = np.array([10, 255, 255]) # 红色阈值上界mask_red1 = cv2.inRange(hsv, lower_red1, higher_red1)lower_red2 = np.array([156, 43, 46]) # 红色阈值下界higher_red2 = np.array([180, 255, 255]) # 红色阈值上界mask_red2 = cv2.inRange(hsv, lower_red2, higher_red2)mask_red = cv2.add(mask_red1, mask_red2) # 拼接过滤后的maskimg_show('mask_red', mask_red)# 形态学去噪，cv2.MORPH_OPEN先腐蚀再膨胀，cv2.MORPH_CLOSE先膨胀再腐蚀kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel, iterations=1)kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel, iterations=3)img_show('mask_red', mask_red)# 轮廓检测，找出线条的轮廓draw_cnt = img.copy()cnts = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]cv2.drawContours(draw_cnt, cnts, -1, (0, 255, 0), 2)img_show('draw_cnt', draw_cnt)# 四边形拟合，找到相应的的顶点draw_approx = img.copy()point1, point2 = list(), list()for cnt in cnts:for epsilon in range(50):approx = cv2.approxPolyDP(cnt, epsilon, True)if len(approx) == 4:breakcv2.polylines(draw_approx, [approx], True, (0, 0, 255), 2) # 绘制边for i in approx:cv2.circle(draw_approx, i[0], 6, (0, 0, 0), -1) # 绘制顶点approx = [i[0] for i in approx.tolist()]approx = sorted(approx, key=lambda k: k[1], reverse=False) # 按y坐标排序，升序point1.extend(approx[:2]) # 存放上顶点坐标point2.extend(approx[2:]) # 存放下顶点坐标point1.sort(key=lambda k: k[0], reverse=False) # 按x坐标排序，升序point2.sort(key=lambda k: k[0], reverse=False)img_show('draw_approx', draw_approx)# 透视矫正目标区域w, h = 900, 300rect = [point1[0], point1[-1], point2[-1], point2[0]] # 顺序为第一个四边形的左上，第四个四边形的右上，第四个四边形的右下，第一个四边形的左下pts1 = np.array(rect, dtype="float32")pts2 = np.array([rect[0], [rect[0][0] + w, rect[0][1]],[rect[0][0] + w, rect[0][1] + h], [rect[0][0], rect[0][1] + h]], dtype="float32")M = cv2.getPerspectiveTransform(pts1, pts2) # 变换矩阵img_warped = cv2.warpPerspective(img, M, (1500, 500)) # 透视变换img_show('img_warped1', img_warped)img_warped = img_warped[rect[0][1]: rect[0][1] + h, rect[0][0]: rect[0][0] + w] # 抠出变换后的区域img_show('img_warped2', img_warped)if __name__ == '__main__':path = 'data/picture/18.jpg'color_warped(path)
原图：
颜色识别(红色)
img = cv2.imread(path)hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
颜色识别使用的通道是HSV通道。使用HSV通道识别颜色会比使用BGR通道更容易区分。H表示Hue（色调、色相，取值：0-180），S表示Saturation（饱和度、色彩纯净度，取值：0-255），V表示Value（亮度，取值：0-255），详情可见：HSV颜色空间。各颜色的取值范围如下：
可见红色的取值范围有两个，大部分情况下这两个范围刚好是互补的，可根据实际情况调整。
# 颜色识别(红色)，过滤红色区域lower_red1 = np.array([0, 43, 46]) # 红色阈值下界higher_red1 = np.array([10, 255, 255]) # 红色阈值上界mask_red1 = cv2.inRange(hsv, lower_red1, higher_red1)lower_red2 = np.array([156, 43, 46]) # 红色阈值下界higher_red2 = np.array([180, 255, 255]) # 红色阈值上界mask_red2 = cv2.inRange(hsv, lower_red2, higher_red2)mask_red = cv2.add(mask_red1, mask_red2) # 拼接过滤后的mask
过滤出来的二值图如下：
形态学去噪
# 形态学去噪，cv2.MORPH_OPEN先腐蚀再膨胀，cv2.MORPH_CLOSE先膨胀再腐蚀kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel, iterations=1)kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel, iterations=3)
颜色识别有时候会有部分噪声被一起识别，这时候可以用形态学进行去噪。在使用cv2.morphologyEx进行形态学去噪之前，需要由cv2.getStructuringElement先定义卷积核的形状和大小。
cv2.getStructuringElement(shape, ksize)常用参数如下：
shape：核的形状，cv2.MORPH_RECT（矩形），cv2.MORPH_CROSS（十字形），cv2.MORPH_ELLIPSE（椭圆形）ksize：核的大小，格式为(width, height)
cv2.morphologyEx(src, op, kernel, iterations)常用参数如下：
src：输入图像op：形态学操作的类型，cv2.MORPH_ERODE（腐蚀），cv2.MORPH_DILATE（膨胀），cv2.MORPH_OPEN（开运算），cv2.MORPH_CLOSE（闭运算），cv2.MORPH_GRADIENT（梯度运算），cv2.MORPH_TOPHAT（礼帽运算），cv2.MORPH_BLACKHAT（黑帽运算），详情可见：形态学操作kernel：进行形态学操作的卷积核iterations：形态学操作迭代的次数，默认值为1
效果如下：
轮廓检测
# 轮廓检测，找出线条的轮廓draw_cnt = img.copy()cnts = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]cv2.drawContours(draw_cnt, cnts, -1, (0, 255, 0), 2)
使用cv2.findContours(image, mode, method)检测轮廓，常用参数如下：
image：二值图mode：轮廓的检索模式method：轮廓的近似方法
使用cv2.drawContours绘制轮廓，效果如下：
近似多边形
# 四边形拟合，找到相应的的顶点draw_approx = img.copy()point1, point2 = list(), list()for cnt in cnts:for epsilon in range(50):approx = cv2.approxPolyDP(cnt, epsilon, True)if len(approx) == 4:breakcv2.polylines(draw_approx, [approx], True, (0, 0, 255), 2) # 绘制边for i in approx:cv2.circle(draw_approx, i[0], 6, (0, 0, 0), -1) # 绘制顶点
使用cv2.approxPolyDP(curve, epsilon, closed)近似多边形，常用参数如下：
curve：输入二维点集的数组epsilon：近似结果的精度。这是原曲线和其近似曲线之间的最大距离。epsilon越小，近似结果的折线形状越“接近”曲线。详情可见：近似多边形closed：True或False。True表示近似曲线是闭合的（第一个顶点与最后一个顶点相互连接），False表示近似曲线是不闭合的
cv2.approxPolyDP返回近似多边形的顶点坐标，这里用范围内的值遍历epsilon精度，当返回的顶点坐标数量为4时，即为四边形。
对每个轮廓进行四边形拟合，使用cv2.polylines和cv2.circle分别绘制边和顶点，效果如下：
四边形拟合完成后，对每个四边形的顶点进行排序。
透视矫正
# 透视矫正目标区域w, h = 900, 300rect = [point1[0], point1[-1], point2[-1], point2[0]] # 顺序为第一个四边形的左上，第四个四边形的右上，第四个四边形的右下，第一个四边形的左下pts1 = np.array(rect, dtype="float32")pts2 = np.array([rect[0], [rect[0][0] + w, rect[0][1]],[rect[0][0] + w, rect[0][1] + h], [rect[0][0], rect[0][1] + h]], dtype="float32")M = cv2.getPerspectiveTransform(pts1, pts2) # 变换矩阵img_warped = cv2.warpPerspective(img, M, (1500, 500)) # 透视变换
使用cv2.warpPerspective进行透视变换之前，需要先由cv2.getPerspectiveTransform获取变换矩阵。
cv2.getPerspectiveTransform(src, dst)常用参数如下：
src：变换前图像四边形的顶点坐标（数组），其中任意三点不共线dst：变换后图像四边形的顶点坐标（数组），其中任意三点不共线
这里输入变换前四边形的顶点坐标，分别为第一个四边形的左上坐标，第四个四边形的右上坐标，第四个四边形的右下坐标，第一个四边形的左下坐标；输入变换后四边形的顶点坐标，是以第一个四边形的左上坐标延长宽和高。
cv2.getPerspectiveTransform(src, M, dsize)常用参数如下：
src：输入图像M：变换矩阵dsize：输出图像大小
变换效果如下：
img_warped = img_warped[rect[0][1]: rect[0][1] + h, rect[0][0]: rect[0][0] + w] # 抠出变换后的区域
将变换后的区域抠出来，效果如下：
参考链接
三分钟带你快速学习RGB、HSV和HSL颜色空间 - 知乎
第8章 形态学操作 -- 8.3 核函数 cv2.getStructuringElement()_Enzo 想砸电脑的博客-CSDN博客
Python +OpenCV CH9:形态学操作(morphologyEx扩展)_liguoxin1990的博客-CSDN博客
Python OpenCV approxPolyDP()函数
多边形逼近cv2.approxPolyDP和Douglas-Peucker算法_00000cj的博客-CSDN博客_多边形逼近算法
