您的两个图像都包含许多与您正在寻找的标志无关的线条。其中一些线条比您实际想要的线条更长/对比度更高，因此我认为检测边缘线（例如使用霍夫变换或通过水平/垂直总结对比度）将不起作用。

但是：您正在寻找的标志具有其他应该更容易检测到的特征：

• 标志背景具有（几乎）恒定的亮度
• 它占据了图像的相对较大的区域
• 它靠近图像的中心

所以你正在寻找一个低对比度的大连接区域。我在 Mathematica 中破解了一个概念验证算法。（我不是 OpenCV 专家，但是当我了解它们时，我会提到相应的 OpenCV 功能。）

首先，我使用高斯导数滤波器来检测每个像素的梯度幅度。高斯导数滤波器的孔径很宽（在这种情况下为 11x11 像素），因此它对噪声非常不敏感。然后我将梯度图像归一化为均值 = 1，因此我可以对两个样本使用相同的阈值。

src = Import["http://www.freeimagehosting.net/uploads/720da20080.jpg"];
pixels = ImageData[ColorConvert[src, "Grayscale"]];
gradient = Sqrt[GaussianFilter[pixels, 5, {1, 0}]^2 + GaussianFilter[pixels, 5, {0, 1}]^2];
gradient = gradient/Mean[Flatten[gradient]];

OpenCV 实现：您可以sepFilter2D用于实际过滤，但显然，您必须自己计算过滤器内核值。

结果如下所示：

在此图像中，标志背景较暗，标志边框较亮。所以我可以将此图像二值化并寻找暗连接组件。

binaryBorders = Binarize[Image[gradient], 0.2];
sign = DeleteBorderComponents@ColorNegate[binaryBorders];
largestComponent = SortBy[ComponentMeasurements[sign, {"Area", "ConvexVertices"}][[All, 2]], First][[-1, 2]];

OpenCV 实现：阈值设置应该很简单，但我认为 OpenCV 不包含连接组件分析 - 您可以使用洪水填充或cvBlobsLib。

现在，只需在图像中心附近找到最大的斑点并找到凸包（我只是使用了未连接到背景的最大斑点，但这对于每张图像来说可能还不够）。

结果：

在这种情况下，您可以采取的另一种对噪声更稳健的方法是生成图像沿 x 轴和 y 轴的平均灰度级曲线。也就是说，计算图像中每一行/列的平均灰度级。

例如，如果招牌（或其边框）比周围环境轻（问题中显示的所有示例都是这种情况），您的 x 轴曲线将有两个峰值（左右和边框） ) 和 y 轴曲线中的两个峰值（用于顶部和底部边框）。使用一维信号的边界检测技术（可能是高通滤波器），您可以推断出招牌的角坐标。

我已经看到这种方法被用于检测车牌和面部识别（鼻子往往是面部较亮的部分，因此它会在 x 轴和 y 轴曲线上产生一个峰值）。

这可能是一个有点颠倒的想法，但可能值得一试。与其尝试检测矩形并将文本视为噪声，也许您可​​以将文本视为信息并使用它来更容易地检测矩形。

这是这个想法的概要：

• 检测图像中的文本。它不需要是一个健壮的实现（你应该能够谷歌一些这样做的小库，或者 OpenCV 有它），只是对图像中文本的粗略估计
• 找到所有文本检测的中心。即使有嘈杂的图像，它也应该在真实的地方
• 对文本检测周围的区域进行霍夫矩形欺骗。也许使用距文本检测中心的中位数距离，或类似的东西。做不同直径，取最强召回。

说明及优点：

• 文本周围的区域通常是同质的——真正的矩形应该是第一个强召回
• 这样您就不必对整个图像进行霍夫变换，因此您可以更方便地进行变换（可能在同一区域多次但桶大小不同......）