当前位置：首页 > news >正文

检测手绘图中不规则曲线交点的方法和一般规则线条交点的方法

news 2025/8/19 13:07:57

检测手绘图中不规则曲线交点的方法

针对手绘图中的不规则曲线，传统几何方法不再适用。以下推荐几种有效处理不规则曲线交点的技术，结合图像处理方法和优化策略：

最佳方法：骨架化 + 交点检测算法

import cv2
import numpy as np
from skimage.morphology import skeletonize, thin
from scipy.ndimage import convolve

def find_handdrawn_intersections(image):
“”"
检测手绘曲线交点的完整流程
:param image: 输入手绘图（RGB或灰度）
:return: 交点坐标列表 [(x1, y1), (x2, y2), …]
“”"
# 1. 预处理
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 2. 骨架化处理（使曲线变为单像素宽）
skeleton = skeletonize(binary // 255).astype(np.uint8) * 255# 3. 自定义交点检测卷积核（检测至少3个方向的交叉）
kernel = np.array([[1, 2, 1],[2, 0, 2],[1, 2, 1]], dtype=np.uint8)# 4. 卷积运算识别交点候选
conv_result = convolve(skeleton, kernel)# 5. 提取交点（值在3-6表示有3-4个方向交叉）
intersections = []
min_val = 3 * 255  # 至少3条线交叉
max_val = 7 * 255  # 防止噪声点# 查找符合条件的点
for y in range(1, conv_result.shape[0]-1):for x in range(1, conv_result.shape[1]-1):if min_val <= conv_result[y, x] <= max_val:# 确保是真实交叉（排除相邻伪交点）if conv_result[y, x] > max(conv_result[y-1, x], conv_result[y+1, x], conv_result[y, x-1], conv_result[y, x+1]):intersections.append((x, y))# 6. 聚类去重（处理较粗线条生成多个相邻点）
clustered = []
if intersections:# 使用欧式距离聚类（20像素内归为同一交点）remaining = np.array(intersections)while len(remaining) > 0:centroid = remaining[0]distances = np.linalg.norm(remaining - centroid, axis=1)group = remaining[distances < 20]cluster_center = np.mean(group, axis=0).astype(int)clustered.append(tuple(cluster_center))remaining = remaining[distances >= 20]return clustered

替代方法：边缘跟踪 + 邻域分析

def edge_tracking_method(image):
“”“更保守的边缘跟踪交点检测”“”
# 1. 预处理
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape)==3 else image
edges = cv2.Canny(gray, 50, 150)

# 2. 细化边缘
skeleton = cv2.ximgproc.thinning(edges)# 3. 边缘跟踪
intersections = []
directions = [(1,0), (0,1), (-1,0), (0,-1), (1,1), (-1,1), (-1,-1), (1,-1)]# 扫描图像寻找十字点
for y in range(1, skeleton.shape[0]-1):for x in range(1, skeleton.shape[1]-1):if skeleton[y, x] == 255:  # 当前是边缘点neighbor_count = 0# 检查8邻域for dx, dy in directions:if skeleton[y+dy, x+dx] == 255:neighbor_count += 1# 4-6个邻接点表示可能是交点if 4 <= neighbor_count <= 6:# 验证确实是交叉点（排除曲线末端）orthogonal_neighbors = (skeleton[y, x-1] + skeleton[y, x+1] + skeleton[y-1, x] + skeleton[y+1, x])if orthogonal_neighbors >= 3*255:intersections.append((x, y))return intersections

可视化与测试

测试和可视化

def visualize_intersections(image, points):
display_img = image.copy() if len(image.shape)==3 else cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
for (x, y) in points:
cv2.circle(display_img, (x, y), 8, (0, 0, 255), -1) # 红色实心点标记交点
return display_img

使用示例

image_path = “handdrawn_diagram.png”
img = cv2.imread(image_path)

方法1：骨架化+卷积（更适合复杂图）

intersections = find_handdrawn_intersections(img)
result_img = visualize_intersections(img, intersections)

方法2：边缘跟踪（更保守，适合简单图）

intersections = edge_tracking_method(img)

cv2.imshow(“Detected Intersections”, result_img)
cv2.waitKey(0)

技术要点说明

为什么骨架化是必要的：
• 手绘图线条厚度不均匀

• 骨架化将曲线压缩为单像素宽的中心线

• 使用Zhang-Suen或Guo-Hall算法（skimage.skeletonize或cv2.ximgproc.thinning）
关键卷积核设计原理：

[[1, 2, 1],
[2, 0, 2],
[1, 2, 1]]

• 中心点权重为0

• 正交方向权重较高(2)，对角方向较低(1)

• 响应值范围3-6表示3-4个方向交叉
后处理优化：
• 邻域最大值检测：保证识别交点中心而非边缘

• 聚类去重：合并邻近点得到精确交点位置

• 方向验证：排除曲线末端伪交点
手绘图的特殊处理：
• 增强对比度：使用Otsu自适应性二值化

• 抗锯齿处理：中值滤波保持边缘清晰

• 断点连接：对小间隙进行形态学闭操作
kernel = np.ones((3, 3), np.uint8)
closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

方法选择建议

方法优点适用场景

骨架化+卷积准确性高，算法稳定复杂手绘图，多曲线交叉

边缘跟踪计算简单，速度快简单示意图，曲线交叉点少

Hough变换直线检测效果佳以直线为主的设计图（不适合曲线）

深度学习法鲁棒性强有足够标注数据的高精度要求

针对特别混乱的手绘图（草图级）

可采用强化预处理流程：
def enhance_handdrawn(image):
“”“增强手绘图的预处理流程”“”
# 1. 自适应二值化
binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 11, 5)

# 2. 去除孤立噪点
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, np.ones((2, 2), np.uint8))# 3. 连接小间隙
connected = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, np.ones((5, 5), np.uint8))# 4. 曲线增强
strengthened = cv2.dilate(connected, np.ones((3, 3), np.uint8), iterations=1)return strengthened

注意：对于铅笔草图等浅色绘图，可增加反卷积锐化或局部对比度增强（CLAHE）作为预处理步骤。

以上方法为实际工程中处理手绘图的成熟方案，可根据绘图质量调整参数以达到最佳效果。

在 OpenCV 中检测线条交点的两种方法比较

在计算机视觉中检测线条交点主要有两种方法：数学计算法（直接计算几何交点）和图像处理法（通过交集图计算交点）。以下是两种方法的详细实现和比较：

数学计算法（直接计算几何交点）

这种方法通过数学公式精确计算线条之间的交点坐标：
import cv2
import numpy as np

def line_intersection(line1, line2):
“”"
计算两条线段的交点
line1, line2: 格式为 (x1, y1, x2, y2)
返回交点坐标 (x, y) 或 None（当平行或不相交时）
“”"
# 提取线条端点
x1, y1, x2, y2 = line1
x3, y3, x4, y4 = line2

# 计算分母
denominator = (y4 - y3) * (x2 - x1) - (x4 - x3) * (y2 - y1)# 判断是否平行
if abs(denominator) < 1e-5:  # 平行或共线return None# 计算交点参数
ua = ((x4 - x3) * (y1 - y3) - (y4 - y3) * (x1 - x3)) / denominator
ub = ((x2 - x1) * (y1 - y3) - (y2 - y1) * (x1 - x3)) / denominator# 检查交点是否在线段上
if ua >= 0 and ua <= 1 and ub >= 0 and ub <= 1:x = x1 + ua * (x2 - x1)y = y1 + ua * (y2 - y1)return (int(x), int(y))return None  # 交点在线段延长线上

示例使用

假设有两组检测到的线段

horizontal_lines = [
(50, 100, 200, 100), # (x1, y1, x2, y2)
(50, 200, 200, 200)
]

vertical_lines = [
(100, 50, 100, 250),
(150, 50, 150, 250)
]

查找所有交点

intersections = []
for h_line in horizontal_lines:
for v_line in vertical_lines:
pt = line_intersection(h_line, v_line)
if pt:
intersections.append(pt)

在图像上绘制交点

image = np.zeros((300, 300, 3), dtype=np.uint8)

绘制横线

for x1, y1, x2, y2 in horizontal_lines:
cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 2)

绘制竖线

for x1, y1, x2, y2 in vertical_lines:
cv2.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)

绘制交点

for pt in intersections:
cv2.circle(image, pt, 5, (255, 0, 0), -1)

cv2.imshow(“Line Intersections”, image)
cv2.waitKey(0)

图像处理法（使用交集图）

这种方法通过创建线条的图像并查找交集区域：
def find_intersections_with_image(lines, img_size=(300, 300)):
“”"
使用图像处理方法查找交点
lines: 所有线段的列表，格式为 (x1, y1, x2, y2)
img_size: 图像尺寸 (width, height)
“”"
# 创建空白图像
grid = np.zeros(img_size, dtype=np.uint8)

# 绘制所有线条（使用白色）
for line in lines:x1, y1, x2, y2 = map(int, line)cv2.line(grid, (x1, y1), (x2, y2), 255, 1)  # 绘制白色线条# 使用腐蚀操作加粗线条（可选）
kernel = np.ones((3, 3), np.uint8)
dilated = cv2.dilate(grid, kernel, iterations=1)# 查找交点（多个线条重叠的位置）
intersections = []
for y in range(img_size[1]):for x in range(img_size[0]):if dilated[y, x] >= 255 * 2:  # 多个线条重叠# 检查邻域确保是真实交点neighbors = dilated[max(0, y-1):y+2, max(0, x-1):x+2]if np.sum(neighbors) >= 255 * 4:intersections.append((x, y))return intersections