OpenCvSharp 矩形识别

### 使用 OpenCvSharp 实现矩形识别 在 OpenCvSharp 中，可以通过轮廓检测来实现矩形的识别。具体来说，可以使用 `Cv2.FindContours` 来找到图像中的轮廓，并通过计算这些轮廓的几何特性（如面积、周长等），筛选出近似为矩形的区域。 以下是具体的实现方法和示例代码： #### 方法概述 1. **读取图像**：加载待处理的图像。 2. **灰度化与二值化**：将彩色图像转换为灰度图，并对其进行阈值处理以便更好地提取轮廓。 3. **寻找轮廓**：使用 `Cv2.FindContours` 找到所有的轮廓。 4. **过滤矩形**：对于每一个轮廓，判断其是否接近矩形形状。这通常通过检查轮廓的凸包或者拟合最小包围框来进行。 5. **绘制结果**：将最终识别出来的矩形绘制到原图上。 --- #### 示例代码 以下是一个完整的 C# 示例代码，展示如何使用 OpenCvSharp 进行矩形识别： ```csharp using OpenCvSharp; using System; class RectangleDetectionExample { static void Main(string[] args) { // 1. 加载输入图片 string imagePath = "input_image.png"; // 替换为实际路径 Mat srcImage = Cv2.ImRead(imagePath); if (srcImage.Empty()) { Console.WriteLine("无法加载图像！"); return; } // 2. 图像预处理：转灰度 -> 阈值化 Mat grayImage = new Mat(); Cv2.CvtColor(srcImage, grayImage, ColorConversionCodes.BGR2GRAY); Mat binaryImage = new Mat(); Cv2.Threshold(grayImage, binaryImage, 127, 255, ThresholdTypes.Binary); // 3. 寻找轮廓 Point[][] contours; HierarchyIndex[] hierarchy; Cv2.FindContours(binaryImage, out contours, out hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple); // 4. 筛选矩形轮廓 foreach (var contour in contours) { double perimeter = Cv2.ArcLength(contour, true); // 计算轮廓周长 var approxCurve = Cv2.ApproxPolyDP(contour, 0.02 * perimeter, true); // 多边形逼近 if (approxCurve.Length == 4 && Cv2.IsContourConvex(approxCurve)) // 判断是否为四边形且凸 { Rect boundingRect = Cv2.BoundingRect(contour); // 获取外接矩形 Cv2.Rectangle(srcImage, boundingRect, Scalar.Red, 2); // 绘制矩形边界 } } // 5. 显示结果 Cv2.ImShow("Original Image with Detected Rectangles", srcImage); Cv2.WaitKey(0); } } ``` --- #### 关键点解析 1. **图像预处理** - 将图像转化为灰度图有助于减少颜色干扰，提高后续操作效率[^1]。 - 使用阈值化技术创建黑白二值图，便于清晰地区分目标物体与背景。 2. **轮廓查找 (`FindContours`)** - 参数 `RetrievalModes.External` 表示仅检索最外部的轮廓。 - 参数 `ContourApproximationModes.ApproxSimple` 可简化复杂曲线为更少顶点的形式[^1]。 3. **矩形判定逻辑** - 借助 `ArcLength` 和 `ApproxPolyDP` 对轮廓进行多边形逼近，从而判断其是否有四个角点。 - 如果满足条件，则进一步验证该轮廓是否具有凸性属性。 4. **绘制矩形** - 使用 `BoundingRect` 得到每个符合条件的轮廓对应的最小外包矩形，并将其画在原始图像之上[^4]。 --- ### 注意事项 - 输入图像应尽量干净无噪声；如果存在较多杂乱像素，可能会影响轮廓提取效果。 - 不同应用场景下需调整阈值参数以适应特定需求。 - 若目标矩形倾斜角度较大，可考虑采用旋转后的最小包围盒替代标准直立矩形。 ---