这个mask并不精确，所以不能直接用于边缘检测，但是它大致标出了图片里最明显的边缘位置所在，所以可以考虑下面的思路：保留降噪后位于mask边缘附近的信息用于真正的边缘检测，而把其他部分都模糊处理，也就是说基于上面得到的mask做出下面的mask用于模糊处理：
基于这个mask得到的用于边缘检测的图像如下：
用canny算子检测出边缘如下：
对检测到的边缘使用Hough变换检测直线，我例子里用的是cv2.HoughLinesP，分辨率1像素和1°，可以根据图像大小设置检测的阈值和minLineLength去除大部分误检测。特别提一下的是如果使用OpenCV的Python binding，OpenCV 2和OpenCV 3的结果结构是不一样的，如果进行代码移植需要相应的修改。检测到的结果如下：
可以看到，有些线几乎重合在一起了，这是难以避免的，上图中一共检测到9条线，其中两对（下、右边缘）重合。可以通过距离判断和直线相对角度来判断并把重合线段合为一条：
剩下的都是没有重合的线了。
4) 判断纸张边缘那么如何选取纸张边缘的四条线呢(即使图像分割步骤非常好得分开了纸张和其他部分，这在有些情况下还是难以避免的，比如图案里有和边缘平行的线条)，可以沿着提取线段的两边采样像素的灰度：
在线段的两个端点之间平均采样左右两边像素的值，因为一般来说如果是纸张或者画布，边缘和背景的颜色在四边上应该都是类似的。然而这样做的话引入另外一个问题是需要区分线段的“左”和“右”，对于线段本身而言就是要区分前后。所以需要对画面里所有的线段端点进行排序，而这个排序的基准就是相对画布。
具体到本文的例子就是把图像中心定义为所有线段的“左”边，如上图。而决定线段端点“前”和“后”可以用如下办法：
先假设线段的前后端点，将两个端点坐标分别减去中心点(红点)的坐标，然后将得到的两个向量a和b求叉积，如果叉积大于0则说明假设正确，如果<0则交换假设的前后端点。线段端点的顺序确定后就可以进行采样了，简单起见可以分别采样左右两侧的像素灰度值，如果希望更准确可以采样RGB通道的值进行综合比较，下面是7条线段对应的两侧像素灰度的中值分布：
可以看到其中有4个点距离非常近(红色)，说明他们的像素灰度分布也很接近，把这4条选出来，结果如下：
正是要的结果。
5) 计算四角的坐标接下来计算四条线的交点，方法点这里。因为有4条线，会得到6个结果，因为在这种应用场景中，方形的物体在透视变换下不会出现凹角，所以直接舍弃离纸张中心最远的两个交点就得到了四个角的坐标，结果如下：
这样就回到了一开始四角坐标已经得到的情况，直接进行透视变换就行了。
Camera Calibration？写了这么多，其实有一条至关重要的假设，甚至可以说是最关键的步骤之一我一直没提，那就是Camera Calibration，如果有相机的情况下，meta data都知道，那么需要先坐Camera Calibration才能知道纸张或者画布的原始尺寸。我这里试的例子当然是没有的，也可以有，相应的算法OpenCV里也有现成的，不过即便如此还是非常麻烦，所以我的所有流程都是默认原始尺寸已经获得了。再说了，就算没有，变换回方形之后使用者凭感觉进行简单轴缩放都比Camera Calibration方便得多。。
--------------------------------------分割线 --------------------------------------