如何识别棋盘游戏中的六边形拼贴？

信息处理图像处理 opencv 图像分割

2021-12-23 02:43:06

我想识别照片中六边形平铺的边界，如下图所示：

在此处输入图像描述

在我看来，方形网格的标准方法是首先检测角点（例如 canny），然后通过霍夫变换或类似的东西提取最长的线。

这看起来不是十六进制平铺的最佳解决方案，因为外线的长度较短，并且很难将它们与其他线分开。

有没有解决这个问题的算法？在opencv中有一个解决方案会特别好，但我也对一般想法感兴趣。

更新：

使用 python 和 opencv 我能够收到这个结果：

这是我的代码：

import cv2
import numpy as np

imgOrig = "test1";
img = cv2.imread(imgOrig+".jpg");  
lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3)  
imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY)  
ret,thresh = cv2.threshold(imgray,127,255,0)
contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
size = img.shape
m = np.zeros(size, dtype=np.uint8)
for i, cnt in enumerate(contours):
    if cv2.contourArea(cnt) >= 1:
        color = (255,255,255)
        cv2.drawContours(m, cnt, -1, color, -1)
cv2.imwrite(str(imgOrig)+"contours.jpg", m);

图像的拉普拉斯算子如下：

我将尝试优化这种方法的参数，然后尝试插入四个部分的边界。

2个回答

第一种方法：

根据本教程http://note.sonots.com/SciSoftware/haartraining.html使用 opencv 的 haartraining 方法——这应该会给出最好的结果，但到目前为止我还没有使用 haartraining...

第二种方法：

我建议对棋盘的各个图块使用“无标记跟踪”的方法。您也可以使用 OpenCV 来实现它。

准备

为此，您需要每种瓷砖的一些照片。拍摄所有瓷砖类型的照片（每一种都作为一张照片），图片中间的自上而下视图瓷砖具有均匀的背景。
然后使用一些特征检测器（OpenCV 有多种算法，但 SIFT/SURF 是非自由算法；我建议使用“FAST”）在图像中找到独特的点。
使用特征描述符来描述在图像中找到的特征（例如使用“BRIEF”）。

检测

现在，您可以通过对该图像应用相同的特征检测器/描述符算法来检测图像中的图块。获得特征/描述符后，您可以应用 FlannBasedMatcher 来查找图块。

这是来自 OpenCV 的代码示例/教程：http: //docs.opencv.org/doc/tutorials/features2d/feature_homography/feature_homography.html#feature-homography

笔记

Matcher Method 只会给你一个匹配，如果在板上找到多个该类型的瓷砖，则可能会出现问题。您可以通过仅屏蔽输入图像的某些部分来解决该问题。我建议使用检测到的特征的像素坐标来执行此操作。如果你 - 不知何故 - 首先检测到瓷砖的轮廓和大小，你可以粗略估计图片上的瓷砖位置和大小。在匹配之前过滤您检测到的特征列表（例如，仅从瓦片的预期中点开始的 x 像素半径内的特征），然后使用最强的匹配。结果，您将获得图块在图像上的确切位置（包括它的方向）。如果检测地图轮廓太复杂，可以让用户“点”在角落瓦片上手动标记轮廓……

替代方法

您还可以使用此方法通过其轮廓找到任何瓷砖。绘制一个没有任何图像的瓷砖（六边形）的示例“示意图”灰度图片。请注意，此图像中的“暗”和“亮”区域在原理图中需要正确，而不仅仅是一些“线”。您可能需要对此进行试验。您可以尝试对不同图块的多张照片进行平均，以生成图块的“平均”图像。确保角落在同一位置（相应地移动/缩放图片）并在完成后锐化图片（清晰的角落/边缘应该可见）并在需要时稍微调整对比度。

我将描述我目前的方法，它结合了利用游戏规则、图像处理和特征检测。

实现

起初我使用霍夫变换来提取游戏板的位置。源图像看起来与有问题的最终图像相似，但线条更粗，我过滤了较小的边界。我只使用检测非常长的线条（数量级：大约 60% 的图像宽度/高度）和非常小的线条匹配阈值。我也只看图像外部 40% 的线条，并取顶部、底部、左侧和右侧检测到的线条的中值。结果如下图所示：霍夫变换

我只需要一个粗略的近似值，所以这很好。从现在开始，我只检查霍夫线内的图像，加上一些额外的空间，因为霍夫变换的不确定性。

然后，我使用 Stefan K. 在他的回答中提出的特征检测来检测图像中玩家无法拍摄的特征，即城堡、位置图块和山脉。我使用 opencv-python 中的 ORB 算法和 BruteForce-Hamming-Matcher （我还不能让 FlannBased 匹配器运行）。ORB 是比例和旋转不变的。为了检测相同特征的多次出现（例如城堡），我将图像分割成重叠的部分。只要图像分辨率足够大并且图片是直接从顶部拍摄的（仍需要一些测试），这就可以正常工作。它也有点慢。位置图块（酒馆）的检测如下图所示城堡特征检测

目前我试图找到单应变换来提取检测到的特征的确切位置和方向。

我希望能够根据这些信息（山的位置、城堡、位置图块以及大多数情况下的水）重建网格。Currents 实验看起来很有希望，尽管必须进行大量微调和正确准备特征图像。

其它你可能感兴趣的问题

上一篇有没有好的开源（免费）手写 OCR 程序？下一篇轮廓匹配 - 寻找轮廓位移

如何识别棋盘游戏中的六边形拼贴？

第一种方法：

第二种方法：

准备

检测

笔记

替代方法

相关游戏规则

实现