将图像中的椭圆转换为圆（将椭圆扭曲为圆形，就像多边形扭曲为矩形）

Question

我有一个椭圆的图像，如果一个图像有椭圆，我用findConteurs（）找到它，然后我想把这个椭圆转换成一个圆。在

参见示例

我想把他们都变成这样

首先，我应用了canny edge检测。然后呢在此图像上应用findCountour（）。在

我用findcontours（）找到了椭圆，得到了所有的轮廓，得到了所需的椭圆轮廓，然后我用fitellipse（）来获得椭圆的中心、旋转角度和长轴和短轴。在

然后我试着用旋转的角度旋转图像，然后缩放图像的高度和宽度w.r.t短轴和长轴（即使长轴和短轴的长度相同），但是我没有得到正确的圆形物体图像。会有一些向左旋转/它仍然像一个椭圆，将接近圆左右。在

     _, contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    for c in contours:
        if len(c) >= 5:
            a = cv2.fitEllipse(c)
            (x, y), (MA, ma), angle = a
            area = (math.pi * MA * ma)/4
            if abs(x-image.shape[0]/2) <= 2 and abs(y-image.shape[1]/2) <= 2 and (area - cv2.contourArea(c)) < 50:
                screenCount = c
                width, height = MA, ma
                centerX, centerY = x, y
                ellipseAngle = angle
                print(width, height, centerX, centerY, ellipseAngle)
                # cv2.drawContours(img, c, -1, (0, 255, 0), 4)
                cv2.ellipse(img, a, (0, 0, 255), 2, 8)
                cv2.imshow("ellipse", img)
                break

    img = image.copy()
    if ellipseAngle < 90:
        rotatedImg = imutils.rotate(img, ellipseAngle)
    else:
        rotatedImg = imutils.rotate(img, -(ellipseAngle - 90))

然后我按长轴和短轴缩放

在应用findcontour（）之后，我得到了这两个轮廓作为文章的第一张图片

从这些曲线上看任何轮廓都很好，对吗？我根据代码使用countour的第一条轮廓，fitellipse（）给了我这个椭圆

编辑-如果有更好的方法来解决这个问题，这将是有帮助的。在

Answer 1

在代码中我可以看到几个问题：

1. 你使用的是边缘检测算法，并得到结果的轮廓。这在原则上是可以的，但这会导致图像有两个轮廓：一个用于边缘检测结果的内边缘，另一个用于外部边缘。只需对图像进行阈值处理并获得一条单一的边缘就比较容易了。不过，如果图像变得更复杂，边缘检测可能是相关的。实际上，您获得的两个轮廓中的任何一个都应该是有用的。

2. 行if abs(x-image.shape[0]/2) <= 2 and abs(y-image.shape[1]/2) <= 2 and (area - cv2.contourArea(c)) < 50非常限制，它没有为我的第二个图像触发。

3. 如果角度为负，旋转-(ellipseAngle - 90)是奇怪的。你应该以同样的方式旋转所有的椭圆。

下面的代码为问题中显示的两个椭圆图像生成一个圆形输出。我认为用这种方法确定的椭圆参数不是很精确，但是看起来它们对于这个应用来说已经足够好了。在

import cv2
import numpy as np

img = cv2.imread('im1.png',0)
_, thresh = cv2.threshold(img, 128, 255, type=cv2.THRESH_BINARY_INV)
_, contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
params = cv2.fitEllipse(contours[0])
angle = params[2]
scale = params[1]
scale = scale[0]/scale[1]

M = cv2.getRotationMatrix2D((img.shape[0]/2, img.shape[1]/2), angle, 1)
# Let's add the scaling too:
M[:,0:2] = np.array([[1,0],[0,scale]]) @ M[:,0:2]
M[1,2] = M[1,2] * scale # This moves the ellipse so it doesn't end up outside the image (it's not correct to keep the ellipse in the middle of the image)

out = cv2.warpAffine(img, M, img.shape, borderValue=255)
cv2.imshow('out',out)
cv2.waitKey()

---

使用PyDIP（我是一个作者）你可以在理想情况下得到一个更精确的测量，在理想情况下，不设阈值，并使用椭圆边缘周围的灰色值来获得更精确的拟合。我们计算图像的二阶中心矩，并由此导出椭圆参数。这里重要的是背景正好为0，并且前景（椭圆像素）的强度是均匀的，除了在边缘，中间的灰色值添加了关于边缘的亚像素位置的信息。在

^{pr2}$