利用python opencv 写一个提取目标轮廓精确坐标的代码

可以参考以下代码：import cv2image=cv2.imread('图片路径')imageGray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)contours, hierarchy=cv2.findContours(imageGray,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)for c in contours: M=cv2.moments(c)cx = int(M['m10']/M['m00'])cy = int(M['m01']/M['m00'])print (cx,cy)

相关问题

python实现提取文字坐标

在Python中，单纯依靠Tesseract OCR进行文字识别并不直接提供文字坐标的精确信息。Tesseract主要是用于识别文本，但它返回的是识别后的字符串，并不会包含每个字符的精确位置。如果你想要得到每个字符的精确坐标，你可能需要结合其他的图像处理技术，例如使用基于轮廓检测（Contour Detection）或行/列扫描的方法。

一种常见的方法是先进行边缘检测（如Canny Edge Detection），然后找到连接的像素点形成轮廓，再逐个计算轮廓内的像素点作为字符的估计位置。这通常涉及到OpenCV这样的计算机视觉库。以下是简单示例：

import cv2
import numpy as np

# 加载图像并转为灰度
img = cv2.imread('image.jpg', 0)

# 使用Canny边缘检测
edges = cv2.Canny(img, threshold1=50, threshold2=150)

# 找到轮廓
contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for contour in contours:
    # 计算轮廓的最小外接矩形，得到大概的区域
    x, y, w, h = cv2.boundingRect(contour)
    
    # 再次对这个区域进行细化处理，比如膨胀或腐蚀以包含更多的字符
    cropped_img = img[y:y+h, x:x+w]
    
    # 现在这个cropped_img中的像素应该可以用来进一步分析每个字符的坐标
    # 这里可能会涉及到更复杂的图像分割技术，如分块或者模板匹配，或者深度学习方法
    
    # ... (进一步分析处理过程)

请注意，这种方法依赖于边缘检测的效果，对于模糊或有大量噪声的图片可能不太准确。对于更专业的应用，可能需要使用专门针对OCR的库，如pytesseract结合OpenCV做后处理，或者使用深度学习模型。

python-opencv答题卡识别

### 使用 Python 和 OpenCV 进行答题卡识别

#### 预处理阶段
为了提高后续处理的效果，在开始之前要对输入的答题卡图像做一系列预处理工作。这包括但不限于将彩色图转换成灰度图，通过二值化使图像黑白分明，并去除可能存在的噪声干扰。

import cv2
import numpy as np

def preprocess_image(image_path):
    # 加载原始图像并转为灰度模式
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

    # 应用高斯模糊减少噪音
    blurred = cv2.GaussianBlur(image, (5, 5), 0)

    # 自适应阈值法进行二值化处理
    thresh = cv2.adaptiveThreshold(blurred, 255,
                                   cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                   cv2.THRESH_BINARY_INV, 11, 2)
    
    return thresh

此部分的操作能够有效提升之后轮廓查找以及特征提取的质量[^1]。

#### 轮廓检测与定位
经过初步清理后的图像更易于分析其几何特性。接下来的任务是从中找出代表答题区域的关键形状——通常是矩形框内的选项标记。为此，先寻找整个页面上的所有闭合边界，再从中筛选出最有可能属于答题区的部分。

def find_contours(thresh_img):
    contours, _ = cv2.findContours(thresh_img.copy(),
                                  cv2.RETR_EXTERNAL,
                                  cv2.CHAIN_APPROX_SIMPLE)

    contour_data = []
    for c in contours:
        peri = cv2.arcLength(c, True)
        approx = cv2.approxPolyDP(c, 0.02 * peri, True)

        if len(approx) == 4:  # 只考虑四边形作为候选对象
            contour_data.append((approx, cv2.contourArea(approx)))

    sorted_contours = sorted(contour_data, key=lambda x:x[1], reverse=True)[:5]

    return [c[0] for c in sorted_contours]

上述函数会返回按面积大小排列前五名的疑似答题区位置信息列表[^3]。

#### 图像矫正（透视变换）
一旦确定了潜在的目标区域，则可以通过计算四个角点之间的关系来进行视角校正，从而获得更加规整的标准视图用于下一步解析。

def four_point_transform(image, pts):
    rect = order_points(pts.reshape(4, 2))
    (tl, tr, br, bl) = rect

    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))

    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))

    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")

    M = cv2.getPerspectiveTransform(rect, dst)
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

    return warped


def order_points(pts):
    rect = np.zeros((4, 2), dtype="float32")
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]

    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]

    return rect

这段代码实现了基于选定角落坐标的精确变形调整过程。

---