Python：使用 OpenCV 从左上角到右下角对项目进行排序

这与从中获取代码的链接问题中的任务不完全相同：

1. 你有轮廓，而另一个问题有要点。 你必须想出一种方法来对轮廓进行排序（它们可能在一个维度上重叠，依此类推......有多种方法可以做到这一点，具体取决于您的用例。最简单的方法可能是使用轮廓的质心。这可以像这里一样完成：轮廓中的质心（Python、OpenCV）。然后，你可以用它创建一个对象数组，其中包含点并使用你找到的代码。
2. 您找到的代码假定这些点基本上或多或少位于网格上。因此，参考图像上的所有点 1-5 大致都在一条线上。在您发布的新图片中，情况并非如此。在这里采用聚类方法可能会更好：将中心点 y 坐标与一些 aproach（也许来自这里）聚类。然后对于每个聚类：按中心 x 坐标对元素进行排序。

正如我已经说过的，有多种方法可以做到这一点，这几乎不取决于你的用例。

生成的编号取决于您希望有多少行。使用我将向您展示如何制作的程序，您可以在运行程序之前指定行数。

例如，下面是原始图像：

下面是指定 4 行时的编号图像：

下面是指定 6 行时的编号图像：

对于您提供的另一张图像（其帧被裁剪，因此帧不会被检测为形状），您可以看到将有 4 行，因此将 4 行放入程序将为您提供：

让我们看一下考虑 4 行的工作流程。我使用的概念是沿 y 轴将图像分成 4 段，形成 4 行。对于图像的每个段，查找在该段中具有中心的每个形状。最后，按 x 坐标对每段中的形状进行排序。

1. 导入必要的库：

import cv2
import numpy as np

2. 定义一个函数，该函数将接收图像输入并将处理后的图像返回给允许 python 稍后检索其轮廓的内容：

def process_img(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_canny = cv2.Canny(img_gray, 100, 100)
    kernel = np.ones((2, 3))
    img_dilate = cv2.dilate(img_canny, kernel, iterations=1)
    img_erode = cv2.erode(img_dilate, kernel, iterations=1)
    return img_erode

3. 定义一个函数，该函数将返回轮廓的中心：

def get_centeroid(cnt):
    length = len(cnt)
    sum_x = np.sum(cnt[..., 0])
    sum_y = np.sum(cnt[..., 1])
    return int(sum_x / length), int(sum_y / length)

4. 定义一个函数，该函数将接收已处理的图像并返回图像中找到的形状的中心点：

def get_centers(img):
    contours, hierarchies = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    for cnt in contours:
        if cv2.contourArea(cnt) > 100:
            yield get_centeroid(cnt)

5. 定义一个函数，该函数将接受图像数组、坐标数组、图像的线段数以及每个线段的高度 作为输入。它将返回数组（按其 x 坐标排序），每个数组都包含位于图像相应行中的每个点：imgcentersrow_amtrow_hrow_amtcenters

def get_rows(img, centers, row_amt, row_h):
    centers = np.array(centers)
    d = row_h / row_amt
    for i in range(row_amt):
        f = centers[:, 1] - d * i
        a = centers[(f < d) & (f > 0)]
        yield a[a.argsort(0)[:, 0]]

6. 读取图像，使用定义的函数获取其处理后的形式，并使用定义的函数获取图像中每个形状的中心：processedcenters

img = cv2.imread("shapes.png")
img_processed = process_img(img)
centers = list(get_centers(img_processed))

7. 获取要用于所定义函数的图像高度，并定义一个计数变量 ，以跟踪编号：get_rowscount

h, w, c = img.shape
count = 0

8. 循环浏览分为 4 行的形状中心，绘制连接行的线以进行可视化：

for row in get_rows(img, centers, 4, h):
    cv2.polylines(img, [row], False, (255, 0, 255), 2)
    for x, y in row:

9. 添加到变量中，然后从数组中绘制到图像上的特定位置：countcountrow

        count += 1
        cv2.circle(img, (x, y), 10, (0, 0, 255), -1)  
        cv2.putText(img, str(count), (x - 10, y + 5), 1, cv2.FONT_HERSHEY_PLAIN, (0, 255, 255), 2)

10. 最后，显示图像：

cv2.imshow("Ordered", img)
cv2.waitKey(0)

完全：

import cv2
import numpy as np

def process_img(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_canny = cv2.Canny(img_gray, 100, 100)
    kernel = np.ones((2, 3))
    img_dilate = cv2.dilate(img_canny, kernel, iterations=1)
    img_erode = cv2.erode(img_dilate, kernel, iterations=1)
    return img_erode
    
def get_centeroid(cnt):
    length = len(cnt)
    sum_x = np.sum(cnt[..., 0])
    sum_y = np.sum(cnt[..., 1])
    return int(sum_x / length), int(sum_y / length)

def get_centers(img):
    contours, hierarchies = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    for cnt in contours:
        if cv2.contourArea(cnt) > 100:
            yield get_centeroid(cnt)

def get_rows(img, centers, row_amt, row_h):
    centers = np.array(centers)
    d = row_h / row_amt
    for i in range(row_amt):
        f = centers[:, 1] - d * i
        a = centers[(f < d) & (f > 0)]
        yield a[a.argsort(0)[:, 0]]

img = cv2.imread("shapes.png")
img_processed = process_img(img)
centers = list(get_centers(img_processed))

h, w, c = img.shape
count = 0

for row in get_rows(img, centers, 4, h):
    cv2.polylines(img, [row], False, (255, 0, 255), 2)
    for x, y in row:
        count += 1
        cv2.circle(img, (x, y), 10, (0, 0, 255), -1)  
        cv2.putText(img, str(count), (x - 10, y + 5), 1, cv2.FONT_HERSHEY_PLAIN, (0, 255, 255), 2)

cv2.imshow("Ordered", img)
cv2.waitKey(0)