Стабильное распознавание значков с помощью opencv python

Для повышения достоверности используйте данные контура для проверки площади контура. Значки кажутся больше по площади, чем текст, поэтому вы можете установить пороговое значение области, чтобы отфильтровать их, используя minAreaRectangle = cv2.minAreaRect(contour):

import cv2
import numpy as np
srcImg = cv2.imread("iconDetection.jpg")

grayImg = cv2.cvtColor(srcImg, cv2.COLOR_BGR2GRAY)
ret, bwImg  = cv2.threshold( grayImg, 200, 255, cv2.THRESH_BINARY_INV)
cv2.imshow('Binary', bwImg) ; cv2.waitKey(0); cv2.destroyAllWindows() 

Contours , _    = cv2.findContours(bwImg.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

BBoxes=[] 
for contour in Contours:
    minAreaRectangle = cv2.minAreaRect(contour)
    bBox = cv2.boxPoints(minAreaRectangle)
    if cv2.contourArea(bBox)  > 60 : # exclude small objects  
        BBoxes += [ np.intp(bBox) ] # include only large areas 

for bBox in BBoxes: 
    tgtImg = cv2.drawContours(srcImg ,[bBox],0,(0,255,0),3)

cv2.imshow('Bounding Rectangles', tgtImg) ; cv2.waitKey(0); cv2.destroyAllWindows() 

дает:

Я думаю, что обнаружение границ здесь может работать очень хорошо. Я сделал небольшой пример, который на данный момент работает:

im = cv2.imread("logos.jpg")
imGray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(imGray,5, 20)

Это дало следующий результат:

После этого обнаружение контуров и фильтрация по площади будут работать очень хорошо, поскольку квадраты логотипов кажутся одинаковыми по размеру:

contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
sortedContours = sorted(contours, key = cv2.contourArea, reverse = True)
for c in sortedContours:
    print(cv2.contourArea(c))

Мы видим, что действительно три самых больших по площади контура имеют размер около 10500 пикселей:

10787.0
10715.0
10128.0
7391.5
4555.5
3539.0
3420.0
.
.
.

Заполните эти первые три контура:

im1 = cv2.drawContours(im.copy(), sortedContours, 2, (255,0,0), -1)
im2 = cv2.drawContours(im.copy(), sortedContours, 1, (0,255,0), -1)
im3 = cv2.drawContours(im.copy(), sortedContours, 0, (0,0,255), -1)

И вот что вы получите:

Я предполагаю, что вам нужна логическая маска, позволяющая получить эти пиксели. Итак, что-то вроде

mask = np.zeros_like(imGray)
mask = cv2.drawContours(mask, sortedContours, 2, 1, -1)
firstLogo = cv2.bitwise_and(im, im, mask = mask)

Может выполнить работу. Вы можете довольно легко автоматизировать это, отфильтровав контуры, я просто подталкиваю вас к POC.

E: простите за странные цвета, забыл преобразовать в RGB перед показом с помощью Matplotlib...

Вызвано комментарием ОП к другому вопросу, который использует расчет значения площади ограничивающих рамок для фильтрации значков из других обнаруженных объектов, здесь еще один подход, помогающий получить правильные контуры значков также в случае среднего значка на предоставленном изображении.

Основная идея такого рода обнаружения значков — фильтрация по размеру и форме обнаруженного объекта. Это позволяет использовать более широкий порог для захвата всех деталей значка, независимо от того, насколько тонким может быть внешний контур. При пороге 250 получаем:

как выглядит результат определения контура:

При таком наборе ограничивающих рамок фильтрация на больших площадях не даст правильных результатов, поэтому необходимо проанализировать форму и размер контуров и ограничить ее ожидаемым размером и формой значков.

Ниже показано, как выглядит результат при выборе диапазона ширины и высоты ограничивающих рамок найденных контуров от 105 до 120:

и код для получения этого результата:

import cv2
import numpy as np
srcImg = cv2.imread("iconDetection.jpg")

grayImg = cv2.cvtColor(srcImg, cv2.COLOR_BGR2GRAY)
ret, bwImg  = cv2.threshold( grayImg, 250, 255, cv2.THRESH_BINARY_INV)
cv2.imshow('Binary', bwImg) ; cv2.waitKey(0); cv2.destroyAllWindows() 

Contours , _    = cv2.findContours(bwImg.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

BBoxes=[] # Bounding Boxes of found reaction fields on photographed strips 
for contour in Contours:
    x, y, w, h = cv2.boundingRect(contour)
    #print(f"{x=}{y=}{w=}{h=}")
    if w in range(105, 120) and h in range(105,120):
        BBoxes += [ (x, y, w, h) ] # include only large areas 
        cv2.rectangle(srcImg, (x, y), (x + w, y + h), (0, 255, 0), 3)
cv2.imshow('Bounding Rectangles', srcImg) ; cv2.waitKey(0); cv2.destroyAllWindows() 

Обратите внимание: если вы измените подход к использованию обнаружения краев Canny, это увеличит вычислительную нагрузку и потребует изменения диапазона высоты/ширины на ( 100 , 120 ), иначе логотип Amazon будет отсутствовать в найденных ограничивающих рамках. .

Ниже, как это будет выглядеть при замене:

ret, bwImg  = cv2.threshold( grayImg, 250, 255, cv2.THRESH_BINARY_INV)

с

bwImg = cv2.Canny(grayImg, 5, 20)

без изменения диапазона размеров от (105, 120) до (100, 120):