opencv使用最小外接矩形和使用近似多边形 定位四边形_opencv 外接四边形

opencv使用最小外接矩形比较方便，但是不能紧包图像。使用近似多边形的方法可以实现紧包图像边界。
因为使用分割模型去训练证件检测，检测出来后是mask，需要从mask中获取到四个顶点的坐标信息。
以下是整个流程，包含推理和后处理，如果只需要后处理部分就从中摘取需要的部分。

1、基于最小外接矩形的处理

# -*- coding : UTF-8 -*-
# @file   : gen_bankcard_label.py
# @Time   : 2021/6/11 17:45
# @Author : wmz

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
import sys
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
sys.path.append(os.path.join(BASE_DIR, '..'))
import argparse
import torch
import cv2
import time
import albumentations as A
import numpy as np
from models.build_BiSeNet import BiSeNet
import xml.dom.minidom as minidom


# 计算任意多边形的面积，顶点按照顺时针或者逆时针方向排列
def compute_polygon_area(points):
    point_num = len(points)
    if(point_num < 3): return 0.0
    s = points[0][1] * (points[point_num-1][0] - points[1][0])
    #for i in range(point_num): # (int i = 1 i < point_num ++i):
    for i in range(1, point_num): # 有小伙伴发现一个bug，这里做了修改，但是没有测试，需要使用的亲请测试下，以免结果不正确。
        s += points[i][1] * (points[i-1][0] - points[(i+1)%point_num][0])
    return abs(s/2.0)


def save_points2xml(points, xmlfile):
    # write file
    # 1.创建DOM树对象
    dom = minidom.Document()
    # 2.创建根节点。每次都要用DOM对象来创建任何节点。
    root_node = dom.createElement('ImageInfo')
    # 3.用DOM对象添加根节点
    dom.appendChild(root_node)
    # 设置该节点的属性
    info = "正面[0]"
    root_node.setAttribute('bModify', '3')
    points = [int(y) for x in points for y in x]
    # 用DOM对象创建元素子节点
    info_node = dom.createElement('LineInfo')
    # 用父节点对象添加元素子节点
    root_node.appendChild(info_node)
    # 设置该节点的属性
    info_node.setAttribute('ptLTX', str(points[0]))
    info_node.setAttribute('ptLTY', str(points[1]))
    info_node.setAttribute('ptRTX', str(points[2]))
    info_node.setAttribute('ptRTY', str(points[3]))
    info_node.setAttribute('ptRBX', str(points[4]))
    info_node.setAttribute('ptRBY', str(points[5]))
    info_node.setAttribute('ptLBX', str(points[6]))
    info_node.setAttribute('ptLBY', str(points[7]))
    info_node.setAttribute('Chars', info)
    info_node.setAttribute('bModify', '3')
    with open(xmlfile, 'w', encoding='UTF-8') as fh:
        dom.writexml(fh, indent='', addindent='\t', newl='\n', encoding='UTF-8')


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

parser = argparse.ArgumentParser(description='Training')
# parser.add_argument('--path_checkpoint', default=r"G:\project_class_bak\results\seg_old_3\04-09_11-23-portrait-512-sup-8500\checkpoint_best.pkl",
#                     help="path to your dataset")
parser.add_argument('--path_checkpoint', default=r"./results/06-12_23-05/checkpoint_best.pkl",
                    help="path to your dataset")
# parser.add_argument('--path_img', default=r"G:\deep_learning_data\EG_dataset\dataset\traqining\00004.png",
#                     help="path to your dataset")
parser.add_argument('--data_root_dir', default=r"D:\GitHub\img_seg\test\yhk",
                    help="path to your dataset")
parser.add_argument('--result_root_dir', default=r"D:\GitHub\img_seg\test\maskresultyhk",
                    help="path to your dataset")
args = parser.parse_args()


if __name__ == '__main__':

    # step2: 模型加载
    # model = BiSeNet(num_classes=1, context_path="resnet101")
    model = BiSeNet(num_classes=1, context_path="resnet18")
    checkpoint = torch.load(args.path_checkpoint)
    model.load_state_dict(checkpoint["model_state_dict"])
    model.to(device)
    model.eval()
    # path_img = args.path_img
    data_root_dir = args.data_root_dir
    result_root_dir = args.result_root_dir
    if not os.path.exists(result_root_dir):
        os.makedirs(result_root_dir)

    for root, dirs, files in os.walk(data_root_dir):
        imgs = 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94