I have stitched two images together using OpenCV functions and C++. Now I am facing a problem that the final image contains a large black part.
The final image should be a rectangle containing the effective part. My image is the following:
How can I remove the black section?
mevatron的答案是在保留完整图像的同时最小化黑色区域数量的一种方法。
另一种选择是删除完整的黑色区域，您也会丢失图像的某些部分，但结果将是一个看起来整洁的矩形图像。下面是 Python 代码。
在这里，您可以找到图像的三个主要角，如下所示：
我已经标记了这些值。(1,x2), (x1,1), (x3,y3). 它基于您的图像从 (1,1) 开始的假设。
代码 ：
第一步与mevatron's 相同。模糊图像以去除噪声，对图像进行阈值处理，然后找到轮廓。
import cv2
import numpy as np
img = cv2.imread('office.jpg')
img = cv2.resize(img,(800,400))
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = cv2.medianBlur(gray,3)
ret,thresh = cv2.threshold(gray,1,255,0)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
现在找到你的图像的最大轮廓。这是为了避免噪音，以防万一（很可能不会有任何噪音）。或者你可以使用mevatron' 方法。
max_area = -1
best_cnt = None
for cnt in contours:
area = cv2.contourArea(cnt)
if area > max_area:
max_area = area
best_cnt = cnt
现在近似轮廓以删除找到的轮廓值中不必要的点，但它保留所有角值。
approx = cv2.approxPolyDP(best_cnt,0.01*cv2.arcLength(best_cnt,True),True)
现在我们找到了角落。
首先，我们找到 (x3,y3)。这是最远的点。所以x3*y3会很大。因此，我们找到所有点对的乘积，并选择乘积最大的对。
far = approx[np.product(approx,2).argmax()][0]
下一个（1，x2）。这是第一个元素是一个，然后第二个元素是最大值的点。
ymax = approx[approx[:,:,0]==1].max()
下一个 (x1,1)。它是第二个元素为 1，然后第一个元素为最大值的点。
xmax = approx[approx[:,:,1]==1].max()
现在我们发现minimum values in (far.x,xmax) and (far.y, ymax)
x = min(far[0],xmax)
y = min(far[1],ymax)
如果你用 (1,1) 和 (x,y) 画一个矩形，你会得到如下结果：
所以你裁剪图像以纠正矩形区域。
img2 = img[:y,:x].copy()
结果如下：
See, the problem is that you lose some parts of the stitched image.
您可以使用threshold、findContours和boundingRect来做到这一点。
因此，这是一个使用 python 界面执行此操作的快速脚本。
stitched = cv2.imread('stitched.jpg', 0)
(_, mask) = cv2.threshold(stitched, 1.0, 255.0, cv2.THRESH_BINARY);
# findContours destroys input
temp = mask.copy()
(contours, _) = cv2.findContours(temp, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# sort contours by largest first (if there are more than one)
contours = sorted(contours, key=lambda contour:len(contour), reverse=True)
roi = cv2.boundingRect(contours[0])
# use the roi to select into the original 'stitched' image
stitched[roi[1]:roi[3], roi[0]:roi[2]]
最终看起来像这样：
注意：原始图像可能不需要排序，但使用压缩图像会导致在使用低阈值时出现一些压缩伪影，这就是我对排序进行后处理的原因。
希望有帮助！
您可以使用活动轮廓（气球/蛇）来准确选择黑色区域。可以在此处找到演示。OpenCV 中提供了活动轮廓，请检查cvSnakeImage。