OpenCV版本：4.6.0.66

算法实现思路：

1. 颜色识别(红色)
2. 形态学去噪
3. 轮廓检测
4. 多边形拟合
5. 透视矫正

代码实现：

import cv2
import numpy as np


# 可视化
def img_show(name, img):
    cv2.namedWindow(name, 0)
    cv2.resizeWindow(name, 1000, 500)
    cv2.imshow(name, img)
    cv2.waitKey(0)


def color_warped(path):
    img = cv2.imread(path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

    # 颜色识别(红色)，过滤红色区域
    lower_red1 = np.array([0, 43, 46])  # 红色阈值下界
    higher_red1 = np.array([10, 255, 255])  # 红色阈值上界
    mask_red1 = cv2.inRange(hsv, lower_red1, higher_red1)
    lower_red2 = np.array([156, 43, 46])  # 红色阈值下界
    higher_red2 = np.array([180, 255, 255])  # 红色阈值上界
    mask_red2 = cv2.inRange(hsv, lower_red2, higher_red2)
    mask_red = cv2.add(mask_red1, mask_red2)  # 拼接过滤后的mask
    img_show('mask_red', mask_red)

    # 形态学去噪，cv2.MORPH_OPEN先腐蚀再膨胀，cv2.MORPH_CLOSE先膨胀再腐蚀
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel, iterations=1)
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
    mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel, iterations=3)
    img_show('mask_red', mask_red)

    # 轮廓检测，找出线条的轮廓
    draw_cnt = img.copy()
    cnts = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]
    cv2.drawContours(draw_cnt, cnts, -1, (0, 255, 0), 2)
    img_show('draw_cnt', draw_cnt)

    # 四边形拟合，找到相应的的顶点
    draw_approx = img.copy()
    point1, point2 = list(), list()
    for cnt in cnts:
        for epsilon in range(50):
            approx = cv2.approxPolyDP(cnt, epsilon, True)
            if len(approx) == 4:
                break
        cv2.polylines(draw_approx, [approx], True, (0, 0, 255), 2)  # 绘制边
        for i in approx:
            cv2.circle(draw_approx, i[0], 6, (0, 0, 0), -1)  # 绘制顶点

        approx = [i[0] for i in approx.tolist()]
        approx = sorted(approx, key=lambda k: k[1], reverse=False)  # 按y坐标排序，升序

        point1.extend(approx[:2])  # 存放上顶点坐标
        point2.extend(approx[2:])  # 存放下顶点坐标
    point1.sort(key=lambda k: k[0], reverse=False)  # 按x坐标排序，升序
    point2.sort(key=lambda k: k[0], reverse=False)
    img_show('draw_approx', draw_approx)

    # 透视矫正目标区域
    w, h = 900, 300
    rect = [point1[0], point1[-1], point2[-1], point2[0]]  # 顺序为第一个四边形的左上，第四个四边形的右上，第四个四边形的右下，第一个四边形的左下
    pts1 = np.array(rect, dtype="float32")
    pts2 = np.array([rect[0], [rect[0][0] + w, rect[0][1]],
                    [rect[0][0] + w, rect[0][1] + h], [rect[0][0], rect[0][1] + h]], dtype="float32")
    M = cv2.getPerspectiveTransform(pts1, pts2)  # 变换矩阵
    img_warped = cv2.warpPerspective(img, M, (1500, 500))  # 透视变换
    img_show('img_warped1', img_warped)

    img_warped = img_warped[rect[0][1]: rect[0][1] + h, rect[0][0]: rect[0][0] + w]  # 抠出变换后的区域
    img_show('img_warped2', img_warped)


if __name__ == '__main__':
    path = 'data/picture/18.jpg'
    color_warped(path)

原图：

颜色识别(红色)

img = cv2.imread(path)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

        颜色识别使用的通道是HSV通道。使用HSV通道识别颜色会比使用BGR通道更容易区分。H表示Hue（色调、色相，取值：0-180），S表示Saturation（饱和度、色彩纯净度，取值：0-255），V表示Value（亮度，取值：0-255），详情可见：HSV颜色空间。各颜色的取值范围如下：

         可见红色的取值范围有两个，大部分情况下这两个范围刚好是互补的，可根据实际情况调整。

# 颜色识别(红色)，过滤红色区域
lower_red1 = np.array([0, 43, 46])  # 红色阈值下界
higher_red1 = np.array([10, 255, 255])  # 红色阈值上界
mask_red1 = cv2.inRange(hsv, lower_red1, higher_red1)
lower_red2 = np.array([156, 43, 46])  # 红色阈值下界
higher_red2 = np.array([180, 255, 255])  # 红色阈值上界
mask_red2 = cv2.inRange(hsv, lower_red2, higher_red2)
mask_red = cv2.add(mask_red1, mask_red2)  # 拼接过滤后的mask

         过滤出来的二值图如下：

形态学去噪

# 形态学去噪，cv2.MORPH_OPEN先腐蚀再膨胀，cv2.MORPH_CLOSE先膨胀再腐蚀
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel, iterations=1)
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel, iterations=3)

         颜色识别有时候会有部分噪声被一起识别，这时候可以用形态学进行去噪。在使用cv2.morphologyEx进行形态学去噪之前，需要由cv2.getStructuringElement先定义卷积核的形状和大小。

        cv2.getStructuringElement(shape, ksize)常用参数如下：

• shape：核的形状，cv2.MORPH_RECT（矩形），cv2.MORPH_CROSS（十字形），cv2.MORPH_ELLIPSE（椭圆形）
• ksize：核的大小，格式为(width, height)

        cv2.morphologyEx(src, op, kernel, iterations) 常用参数如下：

• src：输入图像
• op：形态学操作的类型，cv2.MORPH_ERODE（腐蚀），cv2.MORPH_DILATE（膨胀），cv2.MORPH_OPEN（开运算），cv2.MORPH_CLOSE（闭运算），cv2.MORPH_GRADIENT（梯度运算），cv2.MORPH_TOPHAT（礼帽运算），cv2.MORPH_BLACKHAT（黑帽运算），详情可见：形态学操作
• kernel：进行形态学操作的卷积核
• iterations：形态学操作迭代的次数，默认值为1

        效果如下：

轮廓检测

# 轮廓检测，找出线条的轮廓
draw_cnt = img.copy()
cnts = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]
cv2.drawContours(draw_cnt, cnts, -1, (0, 255, 0), 2)

        使用cv2.findContours(image, mode, method)检测轮廓，常用参数如下：

• image：二值图
• mode：轮廓的检索模式

cv2.RETR_EXTERNAL	只检测外轮廓
cv2.RETR_LIST	检测的轮廓不建立等级关系
cv2.RETR_CCOMP	建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层
cv2.RETR_TREE	建立一个等级树结构的轮廓

• method：轮廓的近似方法

cv2.CHAIN_APPROX_NONE	存储所有的轮廓点，相邻的两个点的像素位置差不超过1
cv2.CHAIN_APPROX_SIMPLE	压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标

         使用cv2.drawContours绘制轮廓，效果如下：

近似多边形

# 四边形拟合，找到相应的的顶点
draw_approx = img.copy()
point1, point2 = list(), list()
for cnt in cnts:
    for epsilon in range(50):
        approx = cv2.approxPolyDP(cnt, epsilon, True)
        if len(approx) == 4:
            break
    cv2.polylines(draw_approx, [approx], True, (0, 0, 255), 2)  # 绘制边
    for i in approx:
        cv2.circle(draw_approx, i[0], 6, (0, 0, 0), -1)  # 绘制顶点

        使用cv2.approxPolyDP(curve, epsilon, closed)近似多边形，常用参数如下：

• curve：输入二维点集的数组
• epsilon：近似结果的精度。这是原曲线和其近似曲线之间的最大距离。epsilon越小，近似结果的折线形状越“接近”曲线。详情可见：近似多边形
• closed：True或False。True表示近似曲线是闭合的（第一个顶点与最后一个顶点相互连接），False表示近似曲线是不闭合的

        cv2.approxPolyDP返回近似多边形的顶点坐标，这里用范围内的值遍历epsilon精度，当返回的顶点坐标数量为4时，即为四边形。

        对每个轮廓进行四边形拟合，使用cv2.polylines和cv2.circle分别绘制边和顶点，效果如下：

        四边形拟合完成后，对每个四边形的顶点进行排序。

透视矫正

# 透视矫正目标区域
w, h = 900, 300
rect = [point1[0], point1[-1], point2[-1], point2[0]]  # 顺序为第一个四边形的左上，第四个四边形的右上，第四个四边形的右下，第一个四边形的左下
pts1 = np.array(rect, dtype="float32")
pts2 = np.array([rect[0], [rect[0][0] + w, rect[0][1]],
                [rect[0][0] + w, rect[0][1] + h], [rect[0][0], rect[0][1] + h]], dtype="float32")
M = cv2.getPerspectiveTransform(pts1, pts2)  # 变换矩阵
img_warped = cv2.warpPerspective(img, M, (1500, 500))  # 透视变换

         使用cv2.warpPerspective进行透视变换之前，需要先由cv2.getPerspectiveTransform获取变换矩阵。

        cv2.getPerspectiveTransform(src, dst)常用参数如下：

• src：变换前图像四边形的顶点坐标（数组），其中任意三点不共线
• dst：变换后图像四边形的顶点坐标（数组），其中任意三点不共线

        这里输入变换前四边形的顶点坐标，分别为第一个四边形的左上坐标，第四个四边形的右上坐标，第四个四边形的右下坐标，第一个四边形的左下坐标；输入变换后四边形的顶点坐标，是以第一个四边形的左上坐标延长宽和高。

         cv2.getPerspectiveTransform(src, M, dsize)常用参数如下：

• src：输入图像
• M：变换矩阵
• dsize：输出图像大小

         变换效果如下：

img_warped = img_warped[rect[0][1]: rect[0][1] + h, rect[0][0]: rect[0][0] + w]  # 抠出变换后的区域

         将变换后的区域抠出来，效果如下：

参考链接

三分钟带你快速学习RGB、HSV和HSL颜色空间 - 知乎

第8章 形态学操作 -- 8.3 核函数 cv2.getStructuringElement()_Enzo 想砸电脑的博客-CSDN博客

Python +OpenCV CH9:形态学操作(morphologyEx扩展)_liguoxin1990的博客-CSDN博客

Python OpenCV approxPolyDP()函数

多边形逼近cv2.approxPolyDP和Douglas-Peucker算法_00000cj的博客-CSDN博客_多边形逼近算法