### 裁剪并矫正旋转矩形区域 为了实现从图像中提取并校正旋转矩形区域的功能，可以按照如下方法处理： #### 读取图像与查找轮廓 首先需要加载待处理的二值化图像，并从中检测出所有的轮廓。对于输入图像的要求是其应为8UC1格式，即单通道灰度图像[^4]。 ```python import cv2 import numpy as np # 加载图像并转成灰度模式 image = cv2.imread('path_to_image', cv2.IMREAD_GRAYSCALE) # 应用边缘检测或其他预处理操作获得二值化的结果 _, binary_result = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(binary_result, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) ``` #### 计算最小外接矩形及其属性 针对每一个找到的轮廓，计算对应的最小外包络矩形（Minimum Area Rectangle），它由中心位置、宽度高度以及倾斜角度组成；接着获取此矩形四个顶点的具体坐标[^1]。 ```python for contour in contours: min_rect = cv2.minAreaRect(contour) # 获取最小外接矩形参数 points = cv2.boxPoints(min_rect) # 将这些参数转化为实际的四个角点坐标 points = np.intp(points) # 整型化以便后续绘图或变换使用 ``` #### 创建仿射变换矩阵并执行变换 基于上述得到的四个角点坐标构建透视变换矩阵，再利用`cv2.warpAffine()`或者更通用的`cv2.getPerspectiveTransform()`配合`cv2.warpPerspective()`来进行几何变形，从而达到裁切和纠正的效果。 ```python def get_rotated_cropped_img(original_img, box_points): src_pts = box_points.astype("float32") width = int(max(np.linalg.norm(src_pts[0]-src_pts[1]), np.linalg.norm(src_pts[2]-src_pts[3]))) height = int(max(np.linalg.norm(src_pts[1]-src_pts[2]), np.linalg.norm(src_pts[3]-src_pts[0]))) dst_pts = np.array([[0, 0], [width-1, 0], [width-1, height-1], [0, height-1]], dtype="float32") M = cv2.getPerspectiveTransform(src_pts, dst_pts) warped = cv2.warpPerspective(original_img, M, (width, height)) return warped original_color_image = cv2.imread('path_to_original_image') # 原始彩色图像路径 warped_images = [] for pts in points_list: corrected_region = get_rotated_cropped_img(original_color_image, pts) warped_images.append(corrected_region) ``` 以上代码片段展示了如何依据给定的四个边界框定点完成对任意方向上的矩形对象进行定位、切割及调整至水平状态的过程。