前面几篇已经做了图片清晰度检测、图像差异检测、主色提取，这次继续做一个比较实用的小工具：
图片自动倾斜检测与纠偏。
平时拍摄文档、建筑、实验设备或者一些带明显边缘的图片时，经常会遇到：
图片整体有一点歪。
如果只是偶尔一张，手动旋转当然没问题。
但如果图片比较多，或者想把这个过程自动化，就可以让程序自己判断：
这张图片到底倾斜了多少度？
然后再自动把它旋转回来。
所以这次我用华为云码道辅助开发了一个：
OpenCV Image Deskew Tool
上传一张倾斜图片后，程序会自动检测主要直线方向，估算倾斜角，并输出纠正后的图片。
一、这个工具能做什么？
功能依然保持比较简单：
- 上传 JPG / PNG 图片
- 自动检测图片倾斜角度
- 显示 Detected Angle
- 自动旋转纠正
- 同时显示 Original Image 和 Corrected Image
- 支持下载纠偏后的 PNG
整个流程就是：
上传倾斜图片
↓
检测主要边缘
↓
寻找直线
↓
统计倾斜角
↓
自动旋转
↓
输出纠正结果
相比前面几个小工具，这次最大的特点就是：
程序不仅给出一个数值，还会直接修改图片。
二、怎么判断一张图片"歪了多少"？
这次主要使用的是 OpenCV 里的：
Canny Edge Detection
和
HoughLinesP
简单来说，图片里通常会存在很多比较明显的直线。
比如：
建筑边缘
地平线
窗户
墙面
道路
文档文字行
当整张图片发生旋转时，这些原本接近水平或垂直的线，也会跟着一起倾斜。
所以可以先找出这些直线，再统计它们的角度。
整体思路：
原始图片
↓
灰度化
↓
Canny 边缘检测
↓
HoughLinesP 找直线
↓
计算每条直线角度
↓
统计主要倾斜方向
↓
得到 Detected Angle
三、为什么要先做 Canny？
原图中有大量像素。
如果直接寻找直线，不仅计算量比较大，而且很多区域根本没有必要参与。
所以先通过 Canny 提取：
明显的边缘结构。
比如建筑轮廓、草地边界、湖岸、树干等。
这些边缘再交给 HoughLinesP，就更容易找到具有方向性的直线。
可以把这个过程理解成：
原图里先找"边"
↓
再从边里面找"直线"
四、HoughLinesP 怎么找到倾斜方向？
HoughLinesP 会返回很多线段。
每条线段都可以表示成两个端点：
(x1, y1)
(x2, y2)
有了两个点以后，就可以计算这条线的方向角。
如果大量有效线段都集中在：
10° 左右
那就说明整张图片很可能整体倾斜了大约 10°。
但这里也不能只相信某一条线。
因为一张图片里可能同时存在：
树枝
建筑边缘
斜坡
阴影边界
所以更合理的是：
统计一批有效直线，再估计主要倾斜角。
五、真实测试：检测到了 +10.36°
这次我准备了一张明显发生旋转的公园狗狗图片。
从肉眼上看，图片整体大约倾斜了：
10° 左右。
上传以后，程序最终检测结果：
Detected Angle：+10.36°
同时检测到了：
171 usable lines
这个结果和测试图片实际倾斜程度比较接近。
也说明：
Canny + HoughLinesP
确实能够从图片中的大量结构线条中估算整体旋转方向。
六、检测到角度以后怎么纠正？
得到倾斜角以后，下一步就比较直接了：
反方向旋转。
OpenCV 中可以先使用：
cv2.getRotationMatrix2D()
生成旋转矩阵。
再使用：
cv2.warpAffine()
完成整张图片的旋转变换。
如果检测到：
+10.36°
那么纠偏时就需要按照相反方向进行旋转。
最终：
倾斜图片
↓
检测 +10.36°
↓
反向旋转
↓
输出 Corrected Image
七、纠偏结果
这次最终效果可以直接从页面上看到。
左侧：
Original Image
可以明显看到湖面、建筑和图片整体都发生倾斜。
右侧：
Corrected Image
已经基本恢复到正常水平状态。
从视觉上看，纠偏后的：
建筑方向
湖面
地面边缘
都比原图更加自然。
这也是这类工具比较直观的地方：
不仅能看数值，还能直接看处理前后的结果。
八、171 usable lines 是什么意思？
页面中除了 Detected Angle：
+10.36°
还显示：
171 usable lines detected
这里并不是说图片里只有 171 条线。
而是表示：
程序从 HoughLinesP 的检测结果中筛选出了 171 条可以用于角度估计的有效线段。
这些线段共同参与了倾斜方向的统计。
相比只根据某一条线判断：
使用更多有效线段通常会更加稳定。
九、为什么不用深度学习？
这个任务其实没有必要使用深度学习。
因为目标很明确：
找直线
↓
算角度
↓
旋转图片
OpenCV 本身已经有非常成熟的：
Canny
Hough Transform
Affine Transform
可以直接完成。
这样做的优点也很明显：
不需要训练数据
不需要模型权重
CPU 就能运行
处理速度快
算法容易解释
对于一个简单的图片纠偏工具来说已经足够。
十、哪些图片比较适合自动纠偏？
这种方法比较适合包含明显直线结构的图片。
例如：
文档
表格
建筑
道路
屏幕截图
实验设备
带地平线的场景
这些图片中通常存在比较明显的：
水平线
垂直线
因此比较容易估计整体倾斜角度。
十一、哪些情况可能不太准？
当然，这种方法也不是所有图片都能稳定工作。
如果图片里几乎没有明显直线，比如：
纯自然风景
近距离人物
花朵
大量曲线物体
那么 HoughLinesP 可能找不到足够稳定的主要方向。
另外，如果图片本身有很多真实的斜线：
楼梯
斜坡
屋顶
透视很强的建筑
也可能干扰角度统计。
所以更准确地说，这个工具做的是：
基于主要直线方向的自动倾斜估计。
而不是对所有图片都能做到绝对准确的"自动摆正"。
十二、实际可以用在哪里？
虽然功能简单，但实际用途还挺多。
文档扫描纠偏
手机拍试卷、表格、纸质资料时，经常会出现几度倾斜。
可以先自动检测角度，再旋转回正。
OCR 前处理
OCR 对文字方向比较敏感。
如果文档整体倾斜，识别效果可能会下降。
所以可以先：
Deskew
↓
OCR
作为一个简单的预处理步骤。
数据集整理
如果采集的图像存在方向不统一的问题，也可以先通过自动纠偏进行批量预处理。
截图和实验图片整理
有些实验图片、设备照片或者页面截图出现轻微倾斜时，也可以快速自动处理。
十三、这次依然保持"小而完整"
最近这几篇我都没有继续堆特别复杂的功能。
这次技术栈依旧只有：
Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript
核心只解决一个问题：
图片歪了，自动帮我转回来。
相比一个功能很多的大系统，这种小工具开发周期短，测试也比较直接。
更适合快速验证一个 OpenCV 思路。
总结
这次用华为云码道辅助开发了一个 OpenCV 图片自动纠偏工具。
核心流程：
上传图片
↓
灰度化
↓
Canny
↓
HoughLinesP
↓
统计直线角度
↓
Detected Angle
↓
getRotationMatrix2D
↓
warpAffine
↓
Corrected Image
真实测试中：
Detected Angle：+10.36°
有效直线：
171 条
最终纠偏后的图片已经基本恢复水平。
前面几篇分别解决了：
图片糊不糊？
两张图片哪里不一样？
图片主要是什么颜色？
这一篇则解决：
图片拍歪了怎么办？