环形文字拉直的两种方法：极坐标转换和薄板样条插值python代码示例

引言

• 针对环形文字识别，通过这几天调研，一般有两种方法，一是极坐标转换；二是薄板样条插值（TPS）法。

极坐标转换

方案一：

• 代码来源：SealOcr

import numpy as np


def circle_to_rectangle(cir_img, start=0):
    """
    对圆和椭圆的旋转文字进行极坐标到直角坐标转换
    默认从正下方开始切，可以通过start设定偏移角度，单位为度
    """
    h, w = cir_img.shape[:2]
    x0, y0 = h // 2, w // 2  # TODO: ????不明白为啥h w反了
    radius = (x0 + y0) // 2  # 兼顾圆和椭圆
    rect_height = radius  # 要切的厚度
    rect_width = int(2 * np.pi * radius)  # 展开之后的周长
    rect_img = np.zeros((rect_height, rect_width, 3), dtype="u1")

    index_w = np.array(range(rect_width))
    index_h = np.array(range(rect_height))
    theta_array = 2 * np.pi * (index_w / rect_width + start / 360)

    for j, theta in zip(index_w, theta_array):
        x = x0 + (x0 - index_h) * np.cos(theta)
        y = y0 + (y0 - index_h) * np.sin(theta)

        x = np.where(x >= h, h - 1, x).astype(np.int16)
        y = np.where(y >= w, w - 1, y).astype(np.int16)

        rect_img[index_h, j, :] = cir_img[x, y, :]

    # 纠正水平镜像
    rect_img = np.fliplr(rect_img)
    return rect_img

方案二：

• 代码出处：cv-warpPolar-example

  image = cv.imread('image.jpg')
  h, w = image.shape[:2]
  
  center = (round(w / 2), round( h / 2))
  flags = cv.INTER_CUBIC + cv.WARP_FILL_OUTLIERS + cv.WARP_POLAR_LINEAR
  radius = center[0]
  img_res  = cv.warpPolar(image, (300, 600), center, radius, flags)
  img_res = img_res.transpose(1,0,2)[::-1]
  
  img_res = cv2.cvtColor(img_res, cv2.COLOR_BGR2RGB)
  plt.imshow(img_res)
  plt.show()
  

• 示例图（image.jpg）：
  
• 结果图
  

薄板样条插值法

• 代码示例：（出处：暂时找不到了，作者如果看到，请联系我）

  # pip install opencv-contrib-python==4.5.5.64
  import cv2
  import numpy as np
  
  
  def tps_cv2(source, img):
      """
      source: list [(x0, y0), (x1, y1), (x2, y2), ...]
      """
      if isinstance(source, list):
          source = np.array(source)
  
      tps = cv2.createThinPlateSplineShapeTransformer()
  
      source_cv2 = source.reshape(1, -1, 2)
  
      matches = list()
      for i in range(len(source_cv2[0])):
          matches.append(cv2.DMatch(i, i, 0))
  
      new_points = []
      N = len(source)
      N = N // 2
      h, w = img.shape[:2]
      dx = int(w / (N - 1))  # 将w分成N份，每份是dx
      # 这里产生的是上部分的点
      for i in range(N):
          new_points.append((dx * i, 2))
  
      # 这里产生的是下部分的点
      for i in range(N - 1, -1, -1):
          new_points.append((dx * i, h - 2))
  
      target_cv2 = np.array(new_points, np.int32)
      target_cv2 = target_cv2.reshape(1, -1, 2)
  
      tps.estimateTransformation(target_cv2, source_cv2, matches)
      new_img_cv2 = tps.warpImage(img)
  
      return new_img_cv2
  
  source = [[217, 135], [302, 89], [419, 56], [589, 58], [716, 88], 
            [815, 131], [789, 180], [697, 144], [578, 116], [426, 116], 
            [320, 149], [245, 183]]
  
  img = cv2.imread('tps_img.jpeg')
  new_img = tps_cv2(source, img)
  cv2.imwrite('res_tps_img.jpeg', new_img)
  

• 示例图（tps_img.jpeg）
  
• 结果图（res_tps_img.jpeg）