### 使用OpenCV检测两个物体是否重合 为了实现这一目标，可以采用多种方法来判断两个物体是否存在重叠现象。一种常见的方式是基于轮廓分析和矩形碰撞检测。 #### 方法一：基于矩形框的简单碰撞检测 当需要快速评估两物体是否有交叉时，可以通过计算各自最小外接矩形之间的关系来进行初步筛选： 如果两个矩形存在交集，则说明对应的物体可能发生了重叠；反之则不存在直接接触的可能性。具体操作如下所示[^5]: ```python def is_rectangle_overlap(rect1, rect2): # 判断两个矩形是否相交 def overlap(x1, w1, x2, w2): l1 = x1 - w1 / 2. l2 = x2 - w2 / 2. left = max(l1, l2) r1 = x1 + w1 / 2. r2 = x2 + w2 / 2. right = min(r1, r2) return right > left if not overlap(rect1[0], rect1[2], rect2[0], rect2[2]): return False if not overlap(rect1[1], rect1[3], rect2[1], rect2[3]): return False return True ``` 此函数接收四个参数——即每一对代表宽度与高度坐标的元组，并返回布尔值表示两者间的关系。 对于更精确的结果获取，还可以进一步考虑像素级别的对比方式。 #### 方法二：像素级比较法 这种方法适用于那些不仅关心几何位置而且关注实际内容相似性的场景下。通常涉及到以下几个步骤: - 对原始图像应用阈值处理或其他形态学运算以突出感兴趣区域； - 提取并标记连通域作为单个实体； - 计算不同标签之间共同占据的空间比例。 下面给出了一段示范代码用于执行上述流程的一部分[^4]: ```python import cv2 import numpy as np # 加载待匹配的目标图像 img1 = cv2.imread('object1.png', 0) img2 = cv2.imread('object2.png', 0) # 自适应二值化转换 th1 = cv2.adaptiveThreshold(img1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) th2 = cv2.adaptiveThreshold(img2, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 查找轮廓 contours1, _ = cv2.findContours(th1.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2:] contours2, _ = cv2.findContours(th2.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2:] for cnt1 in contours1: for cnt2 in contours2: # 获取边界框坐标 x1,y1,w1,h1 = cv2.boundingRect(cnt1) boxA = [x1, y1, x1+w1, y1+h1] x2,y2,w2,h2 = cv2.boundingRect(cnt2) boxB = [x2, y2, x2+w2, y2+h2] # 调用之前定义好的is_rectangle_overlap() 函数检查是否重叠 result = is_rectangle_overlap(boxA,boxB) if result==True: print("Objects are overlapping.") break ``` 这段脚本首先读入两张灰度模式下的输入图片，接着运用自适应阈值得到黑白版本，最后遍历所有找到的对象轮廓组合测试它们间的相对位移情况。