导读

本期将介绍使用OpenCV用两种不同的方法实现快速查找计算直线/网格线交点坐标。

直线交点计算思路与常用方法

直线交点的计算这里列举几个比较常用的方法：

① 在知道直线方程的前提下(或知道直线上一点和直线角度)，联立方程求解交点坐标(注意数学坐标系和图像坐标系的关系)；

② 不知道直线方程，通过检测直线的方法(例如霍夫变换)计算直线方程，然后联立方程求解交点坐标；

---

第一种方法当然是最理想的情况，这样计算的交点也最准确。但是大多数情况我们并不能预先知道直线方程。第二种方法在干扰少的情况比较适用，当然我们还要考虑OpenCV的直线检测方法可能会有重复直线被检测，还需要做剔除操作。

---

综上来看，前面两种方法并不是非常好用，下面来介绍两种简单实用的方法：

③ 利用角点检测方法粗定位角点，然后通过形态学操作计算出直线交点位置；

④ 利用直线交点出特征，使用形态学操作直接定位直线交点位置。

本文使用方法③和方法④，设置合适的参数即可检测到直线交点位置。

效果展示

本文演示图片包含2张，一张是简单的三条直线相交，另一张是多条直线相交形成网格，分别计算它们的交点位置并标识，效果如下：

原图：

结果图：

原图：

结果图：

实现步骤与对应代码

方法③实现步骤与代码：

(1) Harris角点检测+阈值处理；

import cv2import numpy as np
img = cv2.imread('1.png')gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)mask = np.zeros(gray.shape,np.uint8)dst = cv2.cornerHarris(gray,2,3,0.04)ret,thresh = cv2.threshold(dst,0.01,255,cv2.THRESH_BINARY)cv2.imshow('thresh',thresh)

(2) 形态学膨胀(将角点连接起来)；

 

k1=np.ones((5,5), np.uint8)#指定膨胀核大小mask = cv2.morphologyEx(mask, cv2.MORPH_DILATE, k1)

(3) 轮廓筛选，w>10 and h > 10，直线交点位置轮廓更大。

contours,hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)for cnt in contours:  (x, y, w, h) = cv2.boundingRect(cnt)  if w > 10 and h > 10:      cx = int(x + w / 2)      cy = int(y + h / 2)      cv2.circle(img,(cx, cy),10,(0,255,0),2, cv2.LINE_AA)      cv2.circle(img,(cx, cy),2,(0,0,255),-1, cv2.LINE_AA)

对于图2，代码修改两处参数：

k1=np.ones((1,7), np.uint8)......if w > 1 and h > 1:......

方法④实现步骤与代码：

(1) 固定阈值二值化凸显直线为白色，背景为黑色；

import numpy as npimport cv2
img= cv2.imread('1.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thres= cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) cv2.imshow('thres', thres)

 

(2) 指定核做开运算，再做闭运算；​​​​​​​

k1=np.ones((1,7), np.uint8)k2=np.ones((7,1), np.uint8)
mask = cv2.morphologyEx(thres, cv2.MORPH_OPEN, k1)cv2.imshow('open', mask)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, k2)cv2.imshow('close', mask)

(3) 轮廓查找与中心计算标示；​​​​​​​

contours,hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)for cnt in contours:  (x, y, w, h) = cv2.boundingRect(cnt)  #cv2.rectangle(img, (x, y),(x+w,y+h),(0, 255, 0), 2)  cx = int(x + w / 2)  cy = int(y + h / 2)  cv2.circle(img,(cx, cy),10,(0,255,0),2, cv2.LINE_AA)  cv2.circle(img,(cx, cy),2,(0,0,255),-1, cv2.LINE_AA)

对于图2，代码修改两处参数：​​​​​​​

ret, thres= cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)......k1=np.ones((3,1), np.uint8)k2=np.ones((1,7), np.uint8)

此处涉及到的形态学技巧原来有介绍过，可以参看下面链接查看：

OpenCV形态学处理使用技巧与应用演示

结尾语：

文章实现的步骤并非最优，但基本检测效果还OK，大家跟着上述步骤和代码完全可以自己做出来。当然如果你懒得动手，那就加入知识星球获取吧，那里为你准备了完整源码和测试素材，还有C++源码。

更多实用文章请移步至--精华文章--专题文章分类。

更多视觉图像处理相关内容，请长按关注：OpenCV与AI深度学习。

觉得有用，麻烦给个赞和在看