yolov8分割后获取目标角度与物体摆放角度识别

---

代码功能特色总结

1. 核心功能

• 目标角度检测：
  通过YOLOv8分割后的掩码图像，计算目标物体的倾斜角度（0°~180°），适用于工业检测、物体姿态分析等场景。
  

2. 关键算法与处理流程

1. 轮廓提取与筛选

   • 使用Canny边缘检测和cv2.findContours提取目标轮廓。
   • 通过select_largest_contour选择最大轮廓，确保处理主要目标。

2. 几何特征分析

   • 凸包计算：cv2.convexHull获取目标的外接多边形，绘制红色边界线。
   • 最小外接三角形：cv2.minEnclosingTriangle计算三角形顶点，用于辅助角度修正（如180°与0°的区分）。

3. 线段筛选与加权评估

   • 从凸包边中筛选斜率小于40°的线段（接近水平的边）。
   • 通过加权综合评估线段的垂直位置（权重w1=0.7）和长度（权重w2=0.3），选择最优线段代表目标角度。

4. 角度计算与修正

   • 基于线段两端点坐标，用np.arctan2计算精确角度（0°~180°）。
   • 特殊处理边界值（如<5°视为0°，>175°视为180°），并通过三角形顶点位置进一步验证180°与0°的区分。
     

3. 工程化设计

• 批量处理支持：
  自动遍历输入文件夹（mask_images和data/images），处理所有图像并保存结果到output文件夹。
• 进度反馈：
  实时打印处理进度（如已处理 15/20 张图片）。
• 资源管理：
  处理完成后自动删除临时输入文件夹（shutil.rmtree）。

4. 可视化输出

• 标注叠加：
  在原图（image1）上标注角度值（Angle: XX），保留原始图像信息。
• 调试辅助：
  可绘制凸包（红色）和候选线段（绿色），方便算法验证（需取消注释相关代码）。
  

5. 鲁棒性优化

• 归一化处理：
  对线段位置和长度进行归一化（normalize函数），避免特征尺度差异影响加权评估。
• 异常处理：
  空轮廓检测（如select_largest_contour中隐含的非空检查）和角度边界条件处理。

---

from tools.seg_predict import segment_images
from tools.angle import process_images

if __name__ == '__main__':
    # 使用函数
    segment_images('./data/images', './weight/best_seg.pt', "./data/mask")
    process_images("data/mask",'data/images', "output")

适用场景

• 工业质检：检测零件摆放角度是否合规。
• 机器人抓取：计算目标物体倾斜角度以调整抓取姿态。
• 文档扫描：矫正倾斜的文本或图像。

---

改进建议

1. 参数可配置化：
   将权重（w1、w2）、角度阈值（如40°）通过命令行或配置文件输入。
2. 多目标支持：
   扩展为处理图像中的多个目标物体，分别计算角度。
3. 性能优化：
   使用多线程加速批量图像处理。

---

代码结构清晰，结合了几何特征提取与加权决策，适合需要快速获取物体角度的应用场景。