我发现一种算法可以消除照片的凸度，从而惹上麻烦。如您所见，照片是从书页上捕获的，我想去除凸面。我的问题类似于this，但是我所拥有的只是页面边界作为输入，我既没有网格也无法通过处理算法找到。 
我想在下面的照片中将其作为正确的输出。
显然，首先要考虑的是透视变换。但是，您可以看到结果并不乐观:
最佳答案
这是解决您问题的可能途径。主要思想是识别文本，创建带有某种形态的 super Blob ，找到该 super Blob 的4个角，然后将这些点馈送到透 View “unwarper”(或整流器，或您想要称呼的那个)透视校正方法)。
首先将图像转换为灰度，然后将自适应阈值应用于图像。尝试使用参数更适合您的测试的高斯或均值方法。这是我在稍微调整一下值后获得的结果:
现在，想法是仅隔离文本。我应用的解决方案是:获得最大的 Blob 并将其从原始图像中减去。您将需要一种方法来计算每个二进制Blob的面积。 Check this上一篇文章，提供有关如何实现的建议。
这些是图片中最大的 Blob :
从原始图像中减去最大的 Blob 。结果如下:
如您所见，文本几乎是孤立的。让我再次应用区域滤镜来清理像素点。这次消除了小 Blob 。结果如下:
很好，在操作过程中会丢失一些字符，但是没关系。我们需要一个漂亮的连续文本块，因为我们要扩展的 hell 。我尝试应用大小为5和5 Op迭代的矩形结构元素。 侵 eclipse 输出，之后再进行5次迭代，因此最终得到了一个不错的-孤立的- super Blob ，以前的文本是:
一探究竟。您看到的3个标记是我在图像上检测到的最大 Blob 的质心。我们需要找到 super Blob 的 4个角。图像中最大的 Blob 是我们所追求的。我决定重新使用面积过滤器，并寻找面积最大的 Blob 。这是孤立的 super Blob :
从这里开始，操作非常简单。同样，目标是获得该Blob的四个角。您可以拟合矩形或应用边缘检测器，然后进行霍夫变换，以获得跟随 super Blob 边缘的直线。
我决定先应用 Canny Edge检测器，然后再应用 Hough转换。当然，我对转换进行了调整，以仅过滤出我感兴趣的可能的直线，即一定长度以上的直线。这是线路检测的结果:
图片上还有一些额外的信息。您看到的标记(红色和黄色)是线条的起点/终点。我的想法是找到这些线，然后计算这些点的平均值。这个想法是，我们有一个由“象限”分开的点簇。如果我们计算每个象限的每条线的起点和终点的平均值，我们将得到4个平均值–这些是 super Blob 的拐角的近似值!
我将K-means应用于行的起点和终点，但是您非常喜欢其他处理方法。没关系。我的近似角由上图中的大红色O标记标识。
正如我建议的那样，请尝试为这些角指定一个固定的输出位置。我为要映射的角定义了红色矩形。对于此测试，我几乎手动调整了矩形。透视校正产生以下结果:
一些建议:
更快，更好的结果，因为您的输入似乎足够
那。
配置检测到一些较小的线条，这可能会阻碍
角点近似。
我以前使用过的 super Blob (边缘检测+
Hough Line Transform + K-means)，但无论您采用哪种处理链
选择获取数据完全取决于您!
关于python - OpenCV-如何消除凸轮扫描仪中的凸度缺陷？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/60134783/