：使用轮廓的边缘点来估计角点，然后测量相邻边之间的夹角。如果轮廓接近正方形，所有内角应大致相等（90度）。，contours, _ = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

在OpenCV中，`findContours` 函数用于从二值图像(`img_binary`)中检测出轮廓(轮廓线)，`cv2.RETR_EXTERNAL` 参数表示只返回外部轮廓，不跟踪内部孔洞，而 `cv2.CHAIN_APPROX_SIMPLE` 参数则简化了轮廓形状的表示，只保留顶点和端点信息。

当你得到轮廓(`contours`)后，你可以通过以下步骤来估计角点和测量角度：

1. **找到轮廓中的边界点**：
- 使用轮廓数据访问每个边界点。`contours[i]` 是第 i 个轮廓，`approxPolyDP(contours[i], 0.01 * perimeter(contours[i]), True)` 可以用来提取近似闭合的边界点，其中 `perimeter(contours[i])` 计算轮廓的周长，0.01 是阈值，决定保留多少精度。

2. **计算角度**：
- 对于每个角点，你需要找出它的两个邻居点。可以使用像`cv2.pointPolygonTest()`这样的函数来判断它们是否相邻。对于角点A、B和C，计算∠ABC可以通过 `(B[0] - A[0])` 和 `(B[1] - A[1])` 的叉乘来获取方向余弦（`dx1 * dy2 - dx2 * dy1`），然后用反正切(`atan2()`)函数求得角度。

3. **检查角点分布**：
- 遍历所有的角点和它们对应的邻角，比较这些邻角是否接近90度。如果误差范围允许（比如加上一个小的容差），则认为它们接近正方形的角度。可以定义一个阈值来判断角度是否足够接近90度。

例如，这是一个简单的示例代码片段：

import cv2
from numpy import arctan2, pi

# 假设 contours 是从 findContours 得到的轮廓列表
angle_threshold = 5  # 角度容差

for contour in contours:
    # 提取角点并排序
    approx_points = cv2.approxPolyDP(contour, ...)
    
    if len(approx_points) == 4:  # 如果是四边形
        angles = []
        for i in range(3):
            a = approx_points[(i+1) % 4]
            b = approx_points[i]
            dx1, dy1 = a[0] - b[0]
            dx2, dy2 = a[1] - b[1]
            
            angle_rad = arctan2(dy2, dx2) - arctan2(dy1, dx1)
            angle_degrees = (angle_rad * 180 / pi + 360) % 360  # 将弧度转换为角度

            angles.append(angle_degrees)

        # 检查平均角度是否接近90度
        average_angle = sum(angles) / len(angles)
        if abs(average_angle - 90) < angle_threshold:
            print(f"Contour is close to square with an average angle of {average_angle} degrees")