基于Canny边缘检测和轮廓检测

这段代码实现了基于Canny边缘检测和轮廓检测，从图像中筛选出面积较大的矩形，并使用OpenCV和Matplotlib显示结果。主要流程如下：

步骤详解：

读取图像：
python 复制代码
```
img = cv2.imread('U:/1.png')
```
使用cv2.imread()加载图像。
转换为灰度图像：
python 复制代码
```
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
```
使用cv2.cvtColor()将图像从BGR色彩空间转换为灰度图，以便后续处理。
边缘检测：
python 复制代码
```
edges = cv2.Canny(gray, 50, 150)
```
使用cv2.Canny()进行Canny边缘检测，检测图像中的边缘。
轮廓检测：
python 复制代码
```
contours, hierarchy = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
```
使用cv2.findContours()检测图像中的轮廓。参数cv2.RETR_LIST用于提取所有轮廓，而cv2.CHAIN_APPROX_SIMPLE用于减少轮廓的点数（仅保留直线的端点）。
筛选矩形：
python 复制代码
```
for cnt in contours:
    approx = cv2.approxPolyDP(cnt, 0.01 * cv2.arcLength(cnt, True), True)
    if len(approx) == 4:
        area = cv2.contourArea(cnt)
        if area > min_area:
            cv2.drawContours(img, [approx], 0, (0, 255, 0), 3)
```
- 对每个轮廓进行多边形近似，使用cv2.approxPolyDP()方法。
- 判断是否为矩形（即有4个顶点）。
- 计算轮廓面积并筛选出面积较大的矩形（面积大于设定的min_area阈值）。
- 用cv2.drawContours()绘制矩形轮廓，使用绿色（(0, 255, 0)）并设定线宽为3。

显示结果：

python 复制代码

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(edges, cmap='gray')
axes[0].set_title("Edges Detected")
axes[0].axis('off')

axes[1].imshow(img_rgb)
axes[1].set_title("Rectangles Detected")
axes[1].axis('off')

plt.show()

将最终结果（BGR图像）转换为RGB图像，以便正确显示。
使用Matplotlib创建一个1行2列的子图，左图显示边缘检测结果，右图显示带有矩形框的原始图像。
plt.show()用于展示结果。

效果：

边缘检测图像：显示了图像中所有的边缘。
带有矩形的最终图像：显示了通过轮廓检测与面积筛选出的矩形，矩形用绿色框标注。

优化建议：

min_area 阈值 ：你可以根据图像内容调整min_area的值，以过滤掉较小的噪声。
矩形的筛选条件：除了长宽比、面积等条件，你还可以进一步结合矩形的位置、形态等特征进行更精确的筛选。
图像预处理：有时在边缘检测前进行图像的平滑处理（如高斯模糊）可以减少噪声，提高检测效果。

该代码适用于需要从图像中提取矩形区域的场景，特别适用于图像中具有明显边缘和几何形状的对象。