工作中遇到了一个问题，好不容易解决了，写个博客了记录一下。

        项目需要识别出汽车车前窗部分，通过ROI选取出来，再进行下一步的处理。我利用一些办法得到了如图1所示的轮廓，但是效果很不好。图中可见车窗四个边只有左侧、右侧和下侧轮廓，各个轮廓很不连续，断线问题很严重，并且这张图片已经是数据集里效果比较好的，还有更多的图片轮廓断线更为严重，直接提取ROI非常困难。

图1. 原始车窗识别效果

        因为实验室光线的问题，轮廓的断线基本无法避免，利用传统CV算法补全很麻烦，而且不一定能适应所有的情况，我准备先用传统算法实现，然后下一步再利用深度学习的方法找出来车窗。想要真的适应更多的情况确实还是得用深度学习，后续我再写一篇分享一下，目前先分享我的传统CV解决方案。

        我的思路是先把所有的点按边分类，分类完成后在对这些点进行拟合，然后对拟合的曲线进行修补和裁剪，防止轮廓出现凹陷的地方，最后再画一下轮廓就完成了。先把所有用到的包加载一下，sklearn用来拟合和分类，numba用来快速找两个多维数组的差异，其他的就是很常规的包。

        单独写出来的函数如下所示，

        用来计算MSE，用于进一步分类所有的点。

        这个函数用来寻找两个二维数组中的差异元素，运算速度非常快。

        首先需要导入图片，二值化处理一下。需要补全的四个边最好处理的就是左右两个，因为基本就是直线。我用了K-means来聚类，为了剔除上下两边的影响，先把图片切成了cut_top,cut_middle,cut_bottom三块，中间块就只有左右两条边，因此用中间块来聚类。