1、下面是使用方法一实现的顶点定位

import numpy as np
import cv2
def get4points(img: np.ndarray, thed, n):
    :param img  the color image which shape is [height, width, depth]
    :return 4 point locations in list or tuple, for example: [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
    #灰度和二值化
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret, binary = cv2.threshold(gray,thed,255,cv2.THRESH_BINARY)
    # 搜索轮廓
    contours, hierarchy = cv2.findContours(
        binary,
        cv2.RETR_LIST,
        cv2.CHAIN_APPROX_SIMPLE)
    #按轮廓长度选取需要轮廓
    len_list = []
    for i in range(len(contours)):
        len_list.append(len(contours[i]))
    #选第二长的
    sy = np.argsort(np.array(len_list))[-n]
    #寻找顶点
    sum_list = []
    dif_list = []
    for i in contours[sy]:
        sum = i[0][0]+i[0][1]
        sum_list.append(sum)
        dif_list.append(i[0][0]-i[0][1])
    id_lb = np.argsort(np.array(sum_list))
    id_lb2 = np.argsort(np.array(dif_list))
    lu_id , rd_id = id_lb[0] , id_lb[-1]
    ld_id , ru_id = id_lb2[0] , id_lb2[-1]
    points = np.array([contours[sy][lu_id][0],contours[sy][rd_id][0],contours[sy][ld_id][0],contours[sy][ru_id][0]])
    return points , contours , sy
2、下面是使用方法2实现的顶点定位
 
def getpoints(binary: np.ndarray  , num: int ):
    # 搜索轮廓
    contours, hierarchy = cv2.findContours(
        binary,
        cv2.RETR_LIST,
        cv2.CHAIN_APPROX_SIMPLE)
    #按轮廓位置最左（x最小）选取
    x_list = []
    for i in contours:
        x_sum = 0
        for kk in i:
            x_sum += kk[0][0]
        x_av = x_sum/len(i)
        x_list.append(x_av)
    sy = np.argsort(np.array(x_list))[num]
    cnt = contours[sy]
    #找轮廓最小矩
    rect = cv2.minAreaRect(cnt)
    box = cv2.boxPoints(rect)
    return box , contours , sy
def findpoints(points):
    #区分矩形顶点位置
    point_y=sorted(points,key=lambda t:t[1])
    lu, ru =sorted(point_y[:2],key=lambda t:t[0])
    ld, rd =sorted(point_y[2:],key=lambda t:t[0])
    return [list(lu), list(ld), list(ru),list(rd)]
3、下面是一些展示代码
 
#展示顶点
def show_points(img , points):
    point_size = 8
    point_color = (0, 0, 255) # BGR
    thickness = 4 # 可以为 0 、4、8
    points_list = [tuple(i) for i in np.int32(points).reshape(-1,2)]
    for point in points_list:
        cv2.circle(img, point, point_size, point_color, thickness)
    img = cv2.resize(img,(808,808))
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # cv2.imwrite('dd.jpg',img)
#展示轮廓
def show_Contour(img , contours , sy):
    cv2.drawContours(img, contours , sy , (25, 254, 0), 4)
    img = cv2.resize(img,(808,808))
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    # cv2.imwrite('mm.jpg',img)
                    一、问题的引入opencv在图像处理方面有着非常强大的功能，当我们需要使用opencv进行一些图像的矫正工作时，我们通常需要找到原图的一些关键点，然后计算变换后的图像坐标，最后通过仿射变换或者透视变换获得自己想要的矫正图像，比如将一张拍歪了的纸进行矫正，我们的首要任务就是找到原图的一些关键点，通常的做法就是找纸张的4个顶点。二、问题的解决方法第一步我们肯定要找到纸张相应的矩形轮廓，这里可以二值化再找，也可以使用一些算子查找，而本文的重点是解决怎样根据矩形轮廓去确定它具体的4个顶点的位置。方法一：使
#include "Math.h"
#define max_corners 4#define C CV_PI /3
int Otsu(IplImage* src);int main(int argc, char*argv[])
    IplImage* img = cvL
				
轮廓检测引言 
在计算机视觉中，轮廓检测是一个十分重要的任务。与边缘不同，图像中的轮廓包含更多的实际意义。OpenCV提供了 findContours() 函数和 drawContours() 函数实现轮廓的检测和绘制————————————————————OpenCV轮廓检测的例子# -*- coding:utf-8 -*-import cv2# Step1. 读入图像
image = cv2.i
1. 通过`cv2.findContours()`函数找到轮廓并筛选出矩形轮廓。
2. 计算矩形轮廓的面积，筛选出面积最大的矩形轮廓。
3. 使用`cv2.approxPolyDP()`函数对矩形轮廓进行多边形逼近，得到一个近似的多边形轮廓。
4. 对多边形轮廓进行排序，找到左上角、右上角、右下角、左下角四个顶点。
下面是一个示例代码：
``` python
import cv2
import numpy as np
# 读取图像并转为灰度图像
img = cv2.imread("test.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 对图像进行二值化处理
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 筛选矩形轮廓
rect_contours = []
for contour in contours:
    area = cv2.contourArea(contour)
    if area > 1000:
        perimeter = cv2.arcLength(contour, True)
        approx = cv2.approxPolyDP(contour, 0.02 * perimeter, True)
        if len(approx) == 4:
            rect_contours.append(approx)
# 计算面积最大的矩形轮廓
max_area = 0
max_contour = None
for contour in rect_contours:
    area = cv2.contourArea(contour)
    if area > max_area:
        max_area = area
        max_contour = contour
# 对多边形轮廓进行排序，找到四个顶点
top_left = None
top_right = None
bottom_right = None
bottom_left = None
if max_contour is not None:
    points = max_contour.reshape(4, 2)
    rect = np.zeros((4, 2), dtype=np.float32)
    s = points.sum(axis=1)
    rect[0] = points[np.argmin(s)]
    rect[2] = points[np.argmax(s)]
    diff = np.diff(points, axis=1)
    rect[1] = points[np.argmin(diff)]
    rect[3] = points[np.argmax(diff)]
    top_left = rect[0]
    top_right = rect[1]
    bottom_right = rect[2]
    bottom_left = rect[3]
# 在图像上绘制矩形和顶点
cv2.drawContours(img, [max_contour], 0, (0, 255, 0), 2)
cv2.circle(img, tuple(top_left), 5, (0, 0, 255), -1)
cv2.circle(img, tuple(top_right), 5, (0, 0, 255), -1)
cv2.circle(img, tuple(bottom_right), 5, (0, 0, 255), -1)
cv2.circle(img, tuple(bottom_left), 5, (0, 0, 255), -1)
# 显示结果
cv2.imshow("Result", img)
cv2.waitKey(0)
在这个示例中，我们首先读取图像并将其转为灰度图像，在二值化处理后查找轮廓。然后筛选出面积最大的矩形轮廓，并对其进行多边形逼近。接下来对多边形轮廓进行排序，找到四个顶点，并在图像上绘制矩形和顶点。
请注意，在实际应用中，由于图像中可能会有多个矩形轮廓，需要根据实际情况进行筛选和排序，以确保找到正确的顶点。