cv2表图片倾斜校准 python 代码 opencv校正倾斜角度

图像倾斜矫正的方式有很多种，今天简单介绍一种基于直线检查的倾斜校正。

这种方法暂时在如下图的文本文件上测试过，不一定能针对所有：

首先，因为这种图像基本是比较常见的白底黑字,所以首先对这幅图做一个灰度化，灰度化之后做一个二值化，得到二值图像：

二值化之后，将X轴方向的的像素点连起来，这里我采用的是形态学的膨胀，因为我做二值化的时候采用了取反的操作，这里可以考虑不取反，但是要用腐蚀来做，这里有个技巧，因为是要对X轴来做连接，所以可以在构造形态学核上将Y轴设置为1：

做了连接后可以使用canny边缘检测做一遍边缘检测，然后再做霍夫变化：

从上图可以看出来基本上画出来的直线方向跟文字的走向的一致的，然后根据霍夫变换得到的角度来求平均值，这个平均值就是图像要旋转的角度。

上代码：

#include <opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

void GetContoursPic(const char* pSrcFileName)
{
	Mat srcImg = imread(pSrcFileName);
	imshow("原始图", srcImg);
	Mat gray, binImg;
	//灰度化
	cvtColor(srcImg, gray, COLOR_RGB2GRAY);
	imshow("灰度图", gray);
	//二值化
	threshold(gray, binImg, 50, 255, CV_THRESH_BINARY_INV );
	imshow("二值化", binImg);

	Mat morphologyDst;
	cv::morphologyEx(binImg, morphologyDst, cv::MORPH_DILATE, 
	    cv::getStructuringElement(cv::MORPH_RECT, cv::Size(7, 1)));
	imshow("膨胀", morphologyDst);

	Mat cannyDst;
	Canny(morphologyDst, cannyDst, 150, 200);
	imshow("Canny", cannyDst);

	vector<Vec2f> lines;
	HoughLines(cannyDst, lines, 1, CV_PI / 180, 130, 0, 0);
	Mat houghDst;
	srcImg.copyTo(houghDst);
	double meanAngle = 0.0;
	int numCnt = 0;
	for (size_t i = 0; i < lines.size(); i++)
	{
		float rho = lines[i][0]; //就是圆的半径r
		float theta = lines[i][1]; //就是直线的角度
		Point pt1, pt2;
		double a = cos(theta), b = sin(theta);
		double x0 = a*rho, y0 = b*rho;
		pt1.x = cvRound(x0 + 1000 * (-b));
		pt1.y = cvRound(y0 + 1000 * (a));
		pt2.x = cvRound(x0 - 1000 * (-b));
		pt2.y = cvRound(y0 - 1000 * (a));

		line(houghDst, pt1, pt2, Scalar(55, 100, 195), 1);
		
		theta = theta * 180 / CV_PI - 90;
		//if (theta > -45 && theta < 45)
		{
			meanAngle += theta;
			numCnt++;
		}
	}
	meanAngle /= numCnt;
	imshow("霍夫变换", houghDst);
	cv::Point2f center(srcImg.cols / 2., srcImg.rows / 2.);
	//获取旋转矩阵（2x3矩阵）
	cv::Mat rot_mat = cv::getRotationMatrix2D(center, meanAngle, 1.0);
	cv::Size dst_sz(srcImg.cols, srcImg.rows);
	Mat warpDst;
	cv::warpAffine(srcImg, warpDst, rot_mat, dst_sz);
	imshow("旋转矫正", warpDst);

	cv::waitKey(0);
}

结果如下：

这个方法有几个重要的影响点：

1、二值化：二值化的阈值选得不好的话结果是不能将前景和背景分离，我试过用OTSU，出来的二值化不是很好，然后检测直线的时候就有一点不太准确，但是基本上也能检测出来：

2、如果是白底黑字，就用腐蚀，反之有膨胀来做；

3、边缘检测也很重要，可想而知，不做边缘检测再来做霍夫变换，那得有多少条直线，直接冗余不说，还非常容易干扰检测。

4、另外，对于一些高度大于宽度的图像，其实可以采用分段检测求平均，以保证每一段的高度小于宽度，因为我的检测主要以X轴为主。

路漫漫其修远兮

吾将上下而求索