import cv2
import numpy as np
from collections import deque
def preprocess_maze_image(image_path):
“”“预处理迷宫图像：灰度化、二值化、降噪”“”
# 读取图像
img = cv2.imread(image_path)
if img is None:
raise ValueError(f"无法读取图像: {image_path}")
# 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应阈值二值化（处理光照变化） binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2 ) # 形态学操作：去除噪点并填充小孔洞 kernel = np.ones((3, 3), np.uint8) cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) cleaned = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel) return img, cleaned
def detect_maze_structure(binary_img):
“”“检测迷宫结构：识别网格、起点和终点”“”
# 查找轮廓（墙壁）
contours, _ = cv2.findContours(
binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)
# 找到最大轮廓（迷宫外边界） max_contour = max(contours, key=cv2.contourArea) x, y, w, h = cv2.boundingRect(max_contour) # 提取迷宫区域 maze_roi = binary_img[y:y+h, x:x+w] # 使用投影法确定网格行列数 horizontal_projection = np.sum(maze_roi, axis=1) // 255 vertical_projection = np.sum(maze_roi, axis=0) // 255 # 计算行数和列数（根据投影峰值） rows = np.count_nonzero(horizontal_projection > 0.5 * np.max(horizontal_projection)) cols = np.count_nonzero(vertical_projection > 0.5 * np.max(vertical_projection)) # 计算单元格尺寸 cell_h = h // rows cell_w = w // cols # 确定起点（左下角）和终点（右上角） start_x = x + cell_w // 2 start_y = y + h - cell_h // 2 end_x = x + w - cell_w // 2 end_y = y + cell_h // 2 # 转换为网格坐标 start_cell = (rows - 1, 0) end_cell = (0, cols - 1) return { 'roi': (x, y, w, h), 'grid_size': (rows, cols), 'cell_size': (cell_h, cell_w), 'start': (start_x, start_y), 'end': (end_x, end_y), 'start_cell': start_cell, 'end_cell': end_cell }
def create_maze_grid(binary_img, maze_info):
“”“创建迷宫网格矩阵（0=通道，1=墙壁）”“”
x, y, w, h = maze_info[‘roi’]
rows, cols = maze_info[‘grid_size’]
cell_h, cell_w = maze_info[‘cell_size’]
# 初始化迷宫网格 grid = np.zeros((rows, cols), dtype=np.uint8) # 遍历每个单元格，检查中心区域是否为墙壁 for r in range(rows): for c in range(cols): # 计算单元格中心区域 cell_y = y + r * cell_h + cell_h // 4 cell_x = x + c * cell_w + cell_w // 4 roi_h = cell_h // 2 roi_w = cell_w // 2 # 检查中心区域是否为墙壁 cell_region = binary_img[ cell_y:cell_y+roi_h, cell_x:cell_x+roi_w ] # 如果有超过25%的像素是墙壁，则标记为墙壁 if np.mean(cell_region) > 25: grid[r, c] = 1 return grid
def bfs_pathfinding(grid, start, end):
“”“使用BFS算法寻找最短路径”“”
rows, cols = grid.shape
directions = [(0, 1), (1, 0), (0, -1), (-1, 0)] # 右、下、左、上
# 初始化队列和访问矩阵 queue = deque([(start, [start])]) visited = np.zeros_like(grid, dtype=bool) visited[start] = True while queue: (r, c), path = queue.popleft() # 到达终点 if (r, c) == end: return path # 探索四个方向 for dr, dc in directions: nr, nc = r + dr, c + dc # 检查是否在网格内且不是墙壁 if (0 <= nr < rows and 0 <= nc < cols and not visited[nr, nc] and grid[nr, nc] == 0): visited[nr, nc] = True queue.append(((nr, nc), path + [(nr, nc)])) return [] # 未找到路径
def visualize_results(original_img, maze_info, grid, path):
“”“可视化结果：在原图上标记路径、起点和终点”“”
x, y, w, h = maze_info[‘roi’]
rows, cols = maze_info[‘grid_size’]
cell_h, cell_w = maze_info[‘cell_size’]
# 创建输出图像 result_img = original_img.copy() # 绘制迷宫边界 cv2.rectangle(result_img, (x, y), (x+w, y+h), (0, 100, 255), 2) # 绘制起点和终点 cv2.circle(result_img, maze_info['start'], 8, (0, 0, 255), -1) # 红色起点 cv2.circle(result_img, maze_info['end'], 8, (255, 0, 0), -1) # 蓝色终点 # 绘制路径 if path: for i in range(1, len(path)): r1, c1 = path[i-1] r2, c2 = path[i] # 计算实际像素坐标 y1 = y + r1 * cell_h + cell_h // 2 x1 = x + c1 * cell_w + cell_w // 2 y2 = y + r2 * cell_h + cell_h // 2 x2 = x + c2 * cell_w + cell_w // 2 # 绘制路径线 cv2.line(result_img, (x1, y1), (x2, y2), (0, 255, 0), 2) return result_img
def process_maze_image(image_path, output_path=“output.png”):
“”“处理迷宫图像的主函数”“”
try:
# 1. 图像预处理
original, binary = preprocess_maze_image(image_path)
# 2. 检测迷宫结构 maze_info = detect_maze_structure(binary) # 3. 创建迷宫网格 grid = create_maze_grid(binary, maze_info) # 4. 路径规划 path = bfs_pathfinding( grid, maze_info['start_cell'], maze_info['end_cell'] ) if not path: print("警告：未找到从起点到终点的路径！") # 5. 可视化结果 result_img = visualize_results(original, maze_info, grid, path) # 保存结果 cv2.imwrite(output_path, result_img) print(f"处理完成！结果已保存至: {output_path}") return result_img except Exception as e: print(f"处理过程中出错: {str(e)}") return None
示例使用
if name == “main”:
input_image = “maze.png” # 替换为你的迷宫图像路径
output_image = “solved_maze.png”
result = process_maze_image(input_image, output_image) # 显示结果（可选） if result is not None: cv2.namedWindow("Solved Maze",cv2.WINDOW_NORMAL) cv2.imshow("Solved Maze", result) cv2.waitKey(0) cv2.destroyAllWindows()
基于以上代码进行改进，提高墙壁识别的精确度，再改进路径搜索算法以找到迷宫出路，改进后仍满足以下条件：开发基于OpenCV和python语言等的图像处理程序，实现从图像中自动识别迷宫结构、规划最短路径，并可视化结果。预处理：将输入的迷宫图像转换为可分析的二值化结构。结构识别：自动检测迷宫的墙壁、通道、起点和终点。
结果可视化：在原图上标记路径并输出处理后的图像。输入：PNG格式，用imread读入，迷宫墙体为深色，通道为浅色。
输出：在原图上用绿色线条标记路径，线条最好要在路径的中央，起点用红色圆点标记，终点用蓝色圆点标记。用窗口输出结果。利用直线检测识别迷宫图像所在位置。
利用直线检测或其他方式分析迷宫结构。
路径规划推荐使用BFS算法确保最短路径。不使用matplotlib，自动定位起点和终点，误差不超过1个单元格；正确二值化、降噪等，保留完整迷宫结构；找到最短路径，无死胡同或错误转向；清晰标记路径、起点和终点，色彩对比度符合要求
自动识别起点（左下角起点）和终点（右上角）：结构清晰，注释完整，异常保护合理，处理时间达标；迷宫外墙注意识别，不可走外墙以外的路径。有些迷宫墙壁较细，可利用腐蚀膨胀来实现高识别精度，注意网格处理的正确性。不要多余线条，不用sys库。将迷宫旋转 15°以内时，能正确矫正图形；背景中出现随机杂物时，仍能正确识别迷宫结构；当摄像头斜视 30°视角偏移时仍能矫正并识别。程序需适应不同尺寸和复杂度的迷宫图像（最小10 × 10单元格，最大
30 × 30单元格）。
扫一扫
1465
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
