✨ 删除测试文件并更新箭头检测功能，增强可视化和调试信息输出。更新参数以支持观察模式和延迟展示，改进箭头方向检测算法。

res/arrows/test/arrow_detection_report.txt

@@ -0,0 +1,13 @@
+箭头方向检测 - 测试报告
+=======================
+
+测试日期: 2025-05-13 23:48:36
+测试图像总数: 8
+
+总体准确率: 100.00%
+各方向准确率:
+  - left: 100.00%
+  - right: 100.00%
+
+平均处理时间: 5.30 毫秒
+

res/arrows/test/arrow_detection_results.csv

@@ -0,0 +1,9 @@
+图像文件,真实方向,检测方向,是否正确,处理时间(秒),结果文件
+image-1.png,left,left,True,0.00851130485534668,left_image-1_result.jpg
+image-3.png,left,left,True,0.007372140884399414,left_image-3_result.jpg
+image-2.png,left,left,True,0.006041288375854492,left_image-2_result.jpg
+image-5.png,left,left,True,0.002747058868408203,left_image-5_result.jpg
+image-4.png,left,left,True,0.006627082824707031,left_image-4_result.jpg
+image-1.png,right,right,True,0.003347158432006836,right_image-1_result.jpg
+image-3.png,right,right,True,0.004812955856323242,right_image-3_result.jpg
+image-2.png,right,right,True,0.002933979034423828,right_image-2_result.jpg

test/task-arrow/batch_test_arrow.py

@@ -0,0 +1,197 @@
+#!/usr/bin/env python3
+
+import os
+import sys
+import cv2
+import argparse
+import time
+from tqdm import tqdm
+import pandas as pd
+import matplotlib.pyplot as plt
+import matplotlib as mpl
+
+# 设置中文字体支持
+plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'Microsoft YaHei', 'WenQuanYi Micro Hei', 'sans-serif']
+plt.rcParams['axes.unicode_minus'] = False
+
+# 添加项目根目录到路径
+current_dir = os.path.dirname(os.path.abspath(__file__))
+project_root = os.path.dirname(os.path.dirname(current_dir))
+sys.path.append(project_root)
+
+from utils.decode_arrow import detect_arrow_direction, visualize_arrow_detection
+
+def batch_test_arrows(data_dir="res/arrows", save_dir="res/arrows/test", show_results=False):
+    """
+    批量测试箭头方向检测算法
+    
+    参数:
+        data_dir: 包含箭头图像的目录
+        save_dir: 保存结果的目录
+        show_results: 是否显示结果
+    
+    返回:
+        results_df: 包含测试结果的DataFrame
+    """
+    # 确保保存目录存在
+    os.makedirs(save_dir, exist_ok=True)
+    
+    # 保存结果的列表
+    results = []
+    
+    # 处理左右箭头子目录
+    for direction in ["left", "right"]:
+        dir_path = os.path.join(data_dir, direction)
+        if not os.path.exists(dir_path):
+            print(f"警告: 目录 '{dir_path}' 不存在")
+            continue
+            
+        # 获取该方向的所有图像文件
+        image_files = [f for f in os.listdir(dir_path) if f.endswith(('.png', '.jpg', '.jpeg'))]
+        
+        print(f"处理 {direction} 方向的 {len(image_files)} 个图像...")
+        
+        # 处理每个图像
+        for img_file in tqdm(image_files):
+            img_path = os.path.join(dir_path, img_file)
+            
+            # 读取图像
+            img = cv2.imread(img_path)
+            if img is None:
+                print(f"错误: 无法加载图像 '{img_path}'")
+                continue
+            
+            # 开始计时
+            start_time = time.time()
+            
+            # 检测箭头方向
+            detected_direction = detect_arrow_direction(img)
+            
+            # 结束计时
+            end_time = time.time()
+            processing_time = end_time - start_time
+            
+            # 确定检测是否正确
+            is_correct = detected_direction == direction
+            
+            # 保存可视化结果
+            result_filename = f"{direction}_{img_file.split('.')[0]}_result.jpg"
+            result_path = os.path.join(save_dir, result_filename)
+            # visualize_arrow_detection(img, result_path)
+            
+            # 保存结果
+            results.append({
+                "图像文件": img_file,
+                "真实方向": direction,
+                "检测方向": detected_direction,
+                "是否正确": is_correct,
+                "处理时间(秒)": processing_time,
+                "结果文件": result_filename
+            })
+    
+    # 创建结果DataFrame
+    results_df = pd.DataFrame(results)
+    
+    # 保存结果到CSV
+    csv_path = os.path.join(save_dir, "arrow_detection_results.csv")
+    results_df.to_csv(csv_path, index=False, encoding='utf-8-sig')
+    
+    # 生成统计报告
+    generate_report(results_df, save_dir)
+    
+    return results_df
+
+def generate_report(results_df, save_dir):
+    """生成统计报告和可视化"""
+    # 计算总体准确率
+    accuracy = results_df["是否正确"].mean() * 100
+    
+    # 按箭头方向分组计算准确率
+    direction_accuracy = results_df.groupby("真实方向")["是否正确"].mean() * 100
+    
+    # 计算平均处理时间
+    avg_time = results_df["处理时间(秒)"].mean() * 1000  # 转换为毫秒
+    
+    # 创建报告文件
+    report_path = os.path.join(save_dir, "arrow_detection_report.txt")
+    
+    with open(report_path, "w", encoding="utf-8") as f:
+        f.write("箭头方向检测 - 测试报告\n")
+        f.write("=======================\n\n")
+        f.write(f"测试日期: {time.strftime('%Y-%m-%d %H:%M:%S')}\n")
+        f.write(f"测试图像总数: {len(results_df)}\n\n")
+        f.write(f"总体准确率: {accuracy:.2f}%\n")
+        f.write("各方向准确率:\n")
+        for direction, acc in direction_accuracy.items():
+            f.write(f"  - {direction}: {acc:.2f}%\n")
+        f.write(f"\n平均处理时间: {avg_time:.2f} 毫秒\n\n")
+        
+        # 错误案例分析
+        if not results_df["是否正确"].all():
+            f.write("错误检测案例:\n")
+            error_cases = results_df[~results_df["是否正确"]]
+            for _, row in error_cases.iterrows():
+                f.write(f"  - 文件: {row['图像文件']}, 真实方向: {row['真实方向']}, 错误检测为: {row['检测方向']}\n")
+    
+    # 创建可视化图表
+    plt.figure(figsize=(12, 6))
+    
+    # 准确率条形图
+    plt.subplot(1, 2, 1)
+    # 将中文索引转为英文避免字体问题
+    direction_accuracy_en = direction_accuracy.copy()
+    direction_accuracy_en.index = direction_accuracy.index.map(lambda x: "Left" if x == "left" else "Right")
+    direction_accuracy_en.plot(kind='bar', color=['blue', 'green'])
+    plt.title('各方向检测准确率')
+    plt.ylabel('准确率 (%)')
+    plt.ylim(0, 100)
+    plt.grid(True, linestyle='--', alpha=0.7)
+    
+    # 处理时间箱线图
+    plt.subplot(1, 2, 2)
+    # 将中文列名改为英文再制图，避免字体问题
+    temp_df = results_df.copy()
+    temp_df.rename(columns={"处理时间(秒)": "processing_time", "真实方向": "direction"}, inplace=True)
+    temp_df.boxplot(column=['processing_time'], by='direction')
+    plt.title('处理时间分布')
+    plt.ylabel('时间 (秒)')
+    plt.suptitle('')
+    
+    # 保存图表
+    plt.tight_layout()
+    plt.savefig(os.path.join(save_dir, "arrow_detection_stats.png"))
+    
+    print(f"测试报告已保存到: {report_path}")
+    print(f"统计图表已保存到: {os.path.join(save_dir, 'arrow_detection_stats.png')}")
+
+def main():
+    # 创建参数解析器
+    parser = argparse.ArgumentParser(description='箭头方向检测批量测试')
+    parser.add_argument('--data-dir', default="res/arrows",
+                       help='箭头图像数据目录 (默认: res/arrows)')
+    parser.add_argument('--save-dir', default="res/arrows/test",
+                       help='保存结果的目录 (默认: res/arrows/test)')
+    parser.add_argument('--show', action='store_true',
+                       help='显示结果图像')
+    
+    args = parser.parse_args()
+    
+    # 运行批量测试
+    results = batch_test_arrows(args.data_dir, args.save_dir, args.show)
+    
+    # 输出总体结果
+    correct = results["是否正确"].sum()
+    total = len(results)
+    print(f"\n测试完成! 总共测试了 {total} 张图像，正确检测了 {correct} 张")
+    print(f"总体准确率: {(correct/total*100):.2f}%")
+    
+    # 按真实方向打印准确率
+    for direction in ["left", "right"]:
+        dir_results = results[results["真实方向"] == direction]
+        if len(dir_results) > 0:
+            dir_correct = dir_results["是否正确"].sum()
+            dir_total = len(dir_results)
+            print(f"{direction} 方向准确率: {(dir_correct/dir_total*100):.2f}% ({dir_correct}/{dir_total})")
+
+if __name__ == "__main__":
+    main() 

test/task-arrow/test_arrow.py

@@ -1,22 +1,31 @@
 #!/usr/bin/env python3
 
-import cv2
-import sys
 import os
+import sys
+import cv2
+import argparse
 
-# 添加父目录到路径，以便能够导入utils
-sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+# 添加项目根目录到路径
+current_dir = os.path.dirname(os.path.abspath(__file__))
+project_root = os.path.dirname(os.path.dirname(current_dir))
+sys.path.append(project_root)
 
 from utils.decode_arrow import detect_arrow_direction, visualize_arrow_detection
 
 def main():
-    # 检查命令行参数
-    if len(sys.argv) < 2:
-        print("使用方法: python test_arrow.py <图像路径>")
-        sys.exit(1)
+    # 创建参数解析器
+    parser = argparse.ArgumentParser(description='箭头方向检测测试')
+    parser.add_argument('--image', default="res/arrows/left/image-3.png", 
+                        help='图像文件路径 (默认: image_20250511_121219.png)')
+    parser.add_argument('--save', default="res/arrows/test/arrow_detection_result.jpg",
+                        help='保存可视化结果的路径 (默认: res/arrows/test/arrow_detection_result.jpg)')
+    parser.add_argument('--show', action='store_true',
+                        help='显示可视化结果')
+    
+    args = parser.parse_args()
     
     # 获取图像路径
-    image_path = sys.argv[1]
+    image_path = args.image
     
     # 检查文件是否存在
     if not os.path.exists(image_path):
@@ -25,12 +34,31 @@ def main():
     
     print(f"正在处理图像: {image_path}")
     
-    # 检测箭头方向
-    direction = detect_arrow_direction(image_path)
-    print(f"检测到的箭头方向: {direction}")
+    # 加载图像
+    img = cv2.imread(image_path)
+    if img is None:
+        print(f"错误: 无法加载图像 '{image_path}'")
+        sys.exit(1)
     
-    # 可视化检测过程
-    visualize_arrow_detection(image_path)
+    try:
+        # 检测箭头方向
+        direction = detect_arrow_direction(img, observe=True)
+        print(f"检测到的箭头方向: {direction}")
+        
+        # 可视化检测过程并保存结果
+        visualize_arrow_detection(img, args.save)
+        
+        print(f"可视化结果已保存到: {args.save}")
+        
+        # 如果需要显示结果，等待用户按键
+        print("按任意键退出...")
+        cv2.waitKey(0)
+    except Exception as e:
+        print(f"发生错误: {e}")
+    finally:
+        cv2.destroyAllWindows()
+    
+    return direction
 
 if __name__ == "__main__":
-    main() 
+    main()

test/task-arrow/test_arrow_with_image.py

@@ -1,57 +0,0 @@
-#!/usr/bin/env python3
-
-import os
-import sys
-import cv2
-import numpy as np
-import argparse
-
-# 添加父目录到路径，以便能够导入utils
-sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
-
-from utils.decode_arrow import detect_arrow_direction, visualize_arrow_detection
-
-def main():
-    # 创建参数解析器
-    parser = argparse.ArgumentParser(description='测试箭头方向检测')
-    parser.add_argument('image_path', help='图像文件路径')
-    parser.add_argument('--save', help='保存可视化结果的路径', default=None)
-    parser.add_argument('--show', help='显示可视化结果', action='store_true')
-    parser.add_argument('--debug', help='输出详细的调试信息', action='store_true')
-    
-    args = parser.parse_args()
-    
-    # 检查文件是否存在
-    if not os.path.exists(args.image_path):
-        print(f"错误: 文件 '{args.image_path}' 不存在")
-        sys.exit(1)
-    
-    print(f"正在处理图像: {args.image_path}")
-    
-    # 加载图像
-    img = cv2.imread(args.image_path)
-    if img is None:
-        print(f"错误: 无法加载图像 '{args.image_path}'")
-        sys.exit(1)
-    
-    # 如果需要，显示原始图像
-    if args.debug:
-        cv2.imshow('Original Image', img)
-        cv2.waitKey(0)
-    
-    # 检测箭头方向
-    direction = detect_arrow_direction(img)
-    print(f"检测到的箭头方向: {direction}")
-    
-    # 如果需要，显示可视化结果
-    if args.show or args.save:
-        visualize_arrow_detection(img, args.save)
-    
-    # 如果不需要显示可视化结果但需要保存
-    if args.save and not args.show:
-        print(f"可视化结果已保存到: {args.save}")
-    
-    return direction
-
-if __name__ == "__main__":
-    main() 

test/task-arrow/test_right_arrow.py

@@ -1,61 +0,0 @@
-#!/usr/bin/env python3
-
-import os
-import sys
-import cv2
-import argparse
-
-# 添加项目根目录到路径
-current_dir = os.path.dirname(os.path.abspath(__file__))
-project_root = os.path.dirname(os.path.dirname(current_dir))
-sys.path.append(project_root)
-
-from utils.decode_arrow import detect_arrow_direction, visualize_arrow_detection
-
-def main():
-    # 创建参数解析器
-    parser = argparse.ArgumentParser(description='箭头方向检测测试')
-    parser.add_argument('--image', default="res/arrows/left/image-2.png", 
-                        help='图像文件路径 (默认: image_20250511_121219.png)')
-    parser.add_argument('--save', default="res/arrows/test/arrow_detection_result.jpg",
-                        help='保存可视化结果的路径 (默认: res/arrows/test/arrow_detection_result.jpg)')
-    parser.add_argument('--show', action='store_true',
-                        help='显示可视化结果')
-    
-    args = parser.parse_args()
-    
-    # 获取图像路径
-    image_path = args.image
-    
-    # 检查文件是否存在
-    if not os.path.exists(image_path):
-        print(f"错误: 文件 '{image_path}' 不存在")
-        sys.exit(1)
-    
-    print(f"正在处理图像: {image_path}")
-    
-    # 加载图像
-    img = cv2.imread(image_path)
-    if img is None:
-        print(f"错误: 无法加载图像 '{image_path}'")
-        sys.exit(1)
-    
-    # 检测箭头方向
-    direction = detect_arrow_direction(img)
-    print(f"检测到的箭头方向: {direction}")
-    
-    # 可视化检测过程并保存结果
-    visualize_arrow_detection(img, args.save)
-    
-    print(f"可视化结果已保存到: {args.save}")
-    
-    # 如果需要显示结果，等待用户按键
-    if args.show:
-        print("按任意键退出...")
-        cv2.waitKey(0)
-        cv2.destroyAllWindows()
-    
-    return direction
-
-if __name__ == "__main__":
-    main()

utils/decode_arrow.py

@@ -1,12 +1,14 @@
 import cv2
 import numpy as np
 
-def detect_arrow_direction(image):
+def detect_arrow_direction(image, observe=False, delay=500):
     """
     从图像中提取绿色箭头并判断其指向方向（左或右）
     
     参数:
         image: 输入图像，可以是文件路径或者已加载的图像数组
+        observe: 是否输出中间状态信息和可视化结果，默认为False
+        delay: 展示每个步骤的等待时间(毫秒)，默认为500ms
         
     返回:
         direction: 字符串，"left"表示左箭头，"right"表示右箭头，"unknown"表示无法确定
@@ -21,9 +23,19 @@ def detect_arrow_direction(image):
         print("无法加载图像")
         return "unknown"
     
+    if observe:
+        print("步骤1: 原始图像已加载")
+        cv2.imshow("原始图像", img)
+        cv2.waitKey(delay)
+    
     # 转换到HSV颜色空间以便更容易提取绿色
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
     
+    if observe:
+        print("步骤2: 转换到HSV颜色空间")
+        cv2.imshow("HSV图像", hsv)
+        cv2.waitKey(delay)
+    
     # 绿色的HSV范围
     # 调整这些值以匹配图像中绿色的具体色调··
     lower_green = np.array([40, 50, 50])
@@ -32,9 +44,19 @@ def detect_arrow_direction(image):
     # 创建绿色的掩码
     mask = cv2.inRange(hsv, lower_green, upper_green)
     
+    if observe:
+        print("步骤3: 创建绿色掩码")
+        cv2.imshow("绿色掩码", mask)
+        cv2.waitKey(delay)
+    
     # 应用掩码，只保留绿色部分
     green_only = cv2.bitwise_and(img, img, mask=mask)
     
+    if observe:
+        print("步骤4: 提取绿色部分")
+        cv2.imshow("只保留绿色", green_only)
+        cv2.waitKey(delay)
+    
     # 将掩码转为灰度图
     gray = mask.copy()
     
@@ -43,13 +65,91 @@ def detect_arrow_direction(image):
     
     # 如果没有找到轮廓，返回未知
     if not contours:
+        if observe:
+            print("未找到轮廓")
         return "unknown"
     
+    if observe:
+        print(f"步骤5: 找到 {len(contours)} 个轮廓")
+        contour_img = img.copy()
+        cv2.drawContours(contour_img, contours, -1, (0, 255, 0), 2)
+        cv2.imshow("所有轮廓", contour_img)
+        cv2.waitKey(delay)
+    
     # 找到最大的轮廓（假设是箭头）
     max_contour = max(contours, key=cv2.contourArea)
     
+    if observe:
+        print("步骤6: 提取最大轮廓")
+        max_contour_img = img.copy()
+        cv2.drawContours(max_contour_img, [max_contour], -1, (0, 0, 255), 2)
+        cv2.imshow("最大轮廓", max_contour_img)
+        cv2.waitKey(delay)
+    
+    # 使用多边形近似轮廓
+    epsilon = 0.02 * cv2.arcLength(max_contour, True)
+    approx = cv2.approxPolyDP(max_contour, epsilon, True)
+    
+    if observe:
+        print(f"步骤7: 多边形近似，顶点数: {len(approx)}")
+        approx_img = img.copy()
+        cv2.drawContours(approx_img, [approx], -1, (255, 0, 0), 2)
+        cv2.imshow("多边形近似", approx_img)
+        cv2.waitKey(delay)
+    
+    # 计算凸包
+    hull = cv2.convexHull(max_contour)
+    
+    if observe:
+        print("步骤8: 计算凸包")
+        hull_img = img.copy()
+        cv2.drawContours(hull_img, [hull], -1, (0, 255, 0), 2)
+        cv2.imshow("凸包", hull_img)
+        cv2.waitKey(delay)
+    
+    # 计算凸缺陷
+    if len(max_contour) > 3:
+        defects = cv2.convexityDefects(max_contour, cv2.convexHull(max_contour, returnPoints=False))
+    else:
+        if observe:
+            print("轮廓点太少，无法准确判断")
+        return "unknown"  # 轮廓点太少，无法准确判断
+    
+    if defects is None:
+        if observe:
+            print("未找到凸缺陷")
+        return "unknown"
+    
+    if observe:
+        print(f"步骤9: 计算凸缺陷，找到 {defects.shape[0]} 个缺陷点")
+        defect_img = img.copy()
+        for i in range(defects.shape[0]):
+            s, e, f, d = defects[i, 0]
+            start = tuple(max_contour[s][0])
+            end = tuple(max_contour[e][0])
+            far = tuple(max_contour[f][0])
+            cv2.circle(defect_img, far, 5, (0, 0, 255), -1)
+        cv2.imshow("凸缺陷", defect_img)
+        cv2.waitKey(delay)
+        
     # 获取轮廓的最小外接矩形
-    x, y, w, h = cv2.boundingRect(max_contour)
+    rect = cv2.minAreaRect(max_contour)
+    box = cv2.boxPoints(rect)
+    box = np.int0(box)
+    
+    if observe:
+        print("步骤10: 获取最小外接矩形")
+        rect_img = img.copy()
+        cv2.drawContours(rect_img, [box], 0, (255, 0, 0), 2)
+        cv2.imshow("最小外接矩形", rect_img)
+        cv2.waitKey(delay)
+    
+    # 获取中心点和角度
+    center = rect[0]
+    angle = rect[2]
+    
+    if observe:
+        print(f"矩形中心: {center}, 角度: {angle}")
     
     # 计算轮廓的矩，用于确定箭头方向
     M = cv2.moments(max_contour)
@@ -59,35 +159,159 @@ def detect_arrow_direction(image):
         cx = int(M["m10"] / M["m00"])
         cy = int(M["m01"] / M["m00"])
     else:
-        cx, cy = x + w//2, y + h//2
+        cx, cy = int(center[0]), int(center[1])
     
-    # 将图像分为左右两部分
-    left_region = gray[y:y+h, x:cx]
-    right_region = gray[y:y+h, cx:x+w]
+    if observe:
+        print(f"步骤11: 计算质心 - 坐标: ({cx}, {cy})")
+        center_img = img.copy()
+        cv2.circle(center_img, (cx, cy), 5, (255, 0, 0), -1)
+        cv2.imshow("质心", center_img)
+        cv2.waitKey(delay)
     
-    # 计算每个区域中白色像素的数量（箭头部分）
-    left_pixels = cv2.countNonZero(left_region)
-    right_pixels = cv2.countNonZero(right_region)
+    # 改进的箭头尖端检测算法
+    # 1. 找到所有凸缺陷点
+    defect_points = []
+    for i in range(defects.shape[0]):
+        s, e, f, d = defects[i, 0]
+        start = tuple(max_contour[s][0])
+        end = tuple(max_contour[e][0])
+        far = tuple(max_contour[f][0])
+        
+        # 计算缺陷点到中心的距离
+        dist = np.sqrt((far[0] - cx) ** 2 + (far[1] - cy) ** 2)
+        
+        if observe:
+            print(f"缺陷点 {i}: 位置 {far}, 到中心距离: {dist:.2f}")
+        
+        # 记录凸缺陷点及其距离
+        defect_points.append({
+            'point': far,
+            'distance': dist,
+            'start': start,
+            'end': end
+        })
     
-    # 计算每个区域中白色像素的密度
-    left_density = left_pixels / (left_region.size + 1e-10)
-    right_density = right_pixels / (right_region.size + 1e-10)
-    
-    # 根据左右区域的像素密度确定箭头方向
-    # 如果箭头指向右侧，右侧区域的箭头头部应该有更多的像素密度
-    # 如果箭头指向左侧，左侧区域的箭头头部应该有更多的像素密度
-    if right_density > left_density:
-        return "right"
+    # 没有缺陷点，使用矩形判断
+    if not defect_points:
+        # 判断逻辑将在后面处理
+        arrow_tip = None
     else:
-        return "left"
+        # 2. 按距离对缺陷点排序
+        defect_points.sort(key=lambda x: x['distance'], reverse=True)
+        
+        # 3. 获取最远的几个缺陷点（可能的尖端候选）
+        top_n = min(3, len(defect_points))
+        candidates = defect_points[:top_n]
+        
+        # 4. 分析这些点的位置分布
+        left_candidates = [p for p in candidates if p['point'][0] < cx]
+        right_candidates = [p for p in candidates if p['point'][0] >= cx]
+        
+        # 5. 根据候选点的分布判断箭头朝向
+        if len(left_candidates) > len(right_candidates):
+            # 左侧候选点更多，箭头可能指向左边
+            arrow_tip = max(left_candidates, key=lambda x: x['distance'])['point']
+            arrow_direction = "left"
+        elif len(right_candidates) > len(left_candidates):
+            # 右侧候选点更多，箭头可能指向右边
+            arrow_tip = max(right_candidates, key=lambda x: x['distance'])['point']
+            arrow_direction = "right"
+        else:
+            # 候选点分布均衡，使用最远的点
+            arrow_tip = candidates[0]['point']
+            # 根据最远点的位置判断
+            if arrow_tip[0] < cx:
+                arrow_direction = "left"
+            else:
+                arrow_direction = "right"
+    
+    if observe and arrow_tip:
+        print(f"步骤12: 找到可能的箭头尖端 - 位置: {arrow_tip}")
+        tip_img = img.copy()
+        cv2.circle(tip_img, arrow_tip, 8, (0, 255, 255), -1)
+        cv2.line(tip_img, (cx, cy), arrow_tip, (255, 0, 255), 2)
+        cv2.imshow("箭头尖端", tip_img)
+        cv2.waitKey(delay)
+    
+    # 使用多种特征综合判断箭头方向
+    if arrow_tip is None:
+        # 如果没有找到明显的箭头尖端，使用最小外接矩形来判断
+        width = rect[1][0]
+        height = rect[1][1]
+        
+        if observe:
+            print(f"未找到明显尖端，使用矩形判断 - 宽: {width}, 高: {height}")
+        
+        # 矩形的方向向量
+        if width > height:  # 水平箭头
+            # 考虑角度的定义
+            if angle > 45:
+                arrow_direction = "left"
+            else:
+                arrow_direction = "right"
+        else:  # 垂直箭头，不在我们的考虑范围内
+            if observe:
+                print("垂直箭头，不在考虑范围")
+            return "unknown"
+    else:
+        # 已经在上面的代码中确定了方向
+        pass
+    
+    # 附加检查：计算轮廓边界上的点，确认箭头的形状特征
+    x, y, w, h = cv2.boundingRect(max_contour)
+    aspect_ratio = float(w) / h
+    
+    # 计算轮廓周长和面积
+    perimeter = cv2.arcLength(max_contour, True)
+    area = cv2.contourArea(max_contour)
+    
+    # 计算轮廓的形状复杂度
+    complexity = perimeter / (4 * np.sqrt(area))
+    
+    if observe:
+        print(f"轮廓分析 - 宽高比: {aspect_ratio:.2f}, 复杂度: {complexity:.2f}")
+    
+    # 箭头形状特征检查
+    # 一般来说，箭头的复杂度会在一定范围内
+    if 1.1 < complexity < 3.0:
+        # 根据形状特征进一步确认方向判断
+        # 使用质心位置相对于轮廓边界的偏移
+        relative_cx = (cx - x) / w
+        
+        if observe:
+            print(f"质心相对位置: {relative_cx:.2f}")
+        
+        # 如果质心偏向左侧，箭头可能指向右侧
+        # 如果质心偏向右侧，箭头可能指向左侧
+        # 这是一个启发式规则，可能需要根据具体箭头形状调整
+        if relative_cx < 0.4:
+            # 质心在左侧，可能是右箭头
+            if arrow_direction == "left":
+                # 当前方法判断为左，但质心位置特征表明可能是右
+                # 增加额外的检查
+                if aspect_ratio > 1.5:  # 宽大于高
+                    arrow_direction = "right"
+        elif relative_cx > 0.6:
+            # 质心在右侧，可能是左箭头
+            if arrow_direction == "right":
+                # 当前方法判断为右，但质心位置特征表明可能是左
+                if aspect_ratio > 1.5:  # 宽大于高
+                    arrow_direction = "left"
+    
+    if observe:
+        print(f"基于综合特征判断: {arrow_direction}箭头")
+    
+    return arrow_direction
 
-def visualize_arrow_detection(image, save_path=None):
+def visualize_arrow_detection(image, save_path=None, observe=False, delay=500):
     """
     可视化箭头检测过程，显示中间结果
     
     参数:
         image: 输入图像，可以是文件路径或者已加载的图像数组
         save_path: 保存结果图像的路径（可选）
+        observe: 是否输出中间状态信息和可视化结果，默认为False
+        delay: 展示每个步骤的等待时间(毫秒)，默认为500ms
     """
     # 如果输入是字符串（文件路径），则加载图像
     if isinstance(image, str):
@@ -99,6 +323,9 @@ def visualize_arrow_detection(image, save_path=None):
         print("无法加载图像")
         return
     
+    if observe:
+        print("\n开始可视化箭头检测过程")
+    
     # 转换到HSV颜色空间
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
     
@@ -124,8 +351,10 @@ def visualize_arrow_detection(image, save_path=None):
         cv2.drawContours(output, [max_contour], -1, (0, 0, 255), 2)
         
         # 获取轮廓的最小外接矩形
-        x, y, w, h = cv2.boundingRect(max_contour)
-        cv2.rectangle(output, (x, y), (x + w, y + h), (255, 0, 0), 2)
+        rect = cv2.minAreaRect(max_contour)
+        box = cv2.boxPoints(rect)
+        box = np.int0(box)
+        cv2.drawContours(output, [box], 0, (255, 0, 0), 2)
         
         # 计算轮廓的矩
         M = cv2.moments(max_contour)
@@ -137,12 +366,24 @@ def visualize_arrow_detection(image, save_path=None):
             
             # 绘制中心点
             cv2.circle(output, (cx, cy), 5, (255, 0, 0), -1)
-            
-            # 绘制分割线
-            cv2.line(output, (cx, y), (cx, y + h), (0, 255, 255), 2)
+        
+        # 绘制凸包
+        hull = cv2.convexHull(max_contour)
+        cv2.drawContours(output, [hull], 0, (0, 255, 0), 2)
+        
+        # 绘制凸缺陷
+        if len(max_contour) > 3:
+            defects = cv2.convexityDefects(max_contour, cv2.convexHull(max_contour, returnPoints=False))
+            if defects is not None:
+                for i in range(defects.shape[0]):
+                    s, e, f, d = defects[i, 0]
+                    start = tuple(max_contour[s][0])
+                    end = tuple(max_contour[e][0])
+                    far = tuple(max_contour[f][0])
+                    cv2.circle(output, far, 5, (0, 0, 255), -1)  # 在凸缺陷点绘制红色圆点
     
     # 获取箭头方向
-    direction = detect_arrow_direction(img)
+    direction = detect_arrow_direction(img, observe=observe, delay=delay)
     
     # 在图像上添加方向文本
     cv2.putText(output, f"Direction: {direction}", (10, 30), 
@@ -151,6 +392,8 @@ def visualize_arrow_detection(image, save_path=None):
     # 如果提供了保存路径，保存结果图像
     if save_path:
         cv2.imwrite(save_path, output)
+        if observe:
+            print(f"结果已保存到: {save_path}")
     
     # 创建一个包含所有图像的窗口
     result = np.hstack((img, green_only, output))
@@ -163,18 +406,18 @@ def visualize_arrow_detection(image, save_path=None):
     resized = cv2.resize(result, dim, interpolation=cv2.INTER_AREA)
     
     # 显示结果
-    # cv2.imshow('Arrow Detection Process', resized)
-    # cv2.waitKey(0)
-    # cv2.destroyAllWindows()
+    cv2.imshow('Arrow Detection Process', resized)
+    cv2.waitKey(0)
+    cv2.destroyAllWindows()
 
 # 用法示例
 if __name__ == "__main__":
     # 替换为实际图像路径
     image_path = "path/to/arrow/image.png"
     
-    # 检测箭头方向
-    direction = detect_arrow_direction(image_path)
+    # 检测箭头方向，使用较长的延迟时间（1500毫秒）
+    direction = detect_arrow_direction(image_path, observe=True, delay=1500)
     print(f"检测到的箭头方向: {direction}")
     
-    # 可视化检测过程
-    visualize_arrow_detection(image_path)
+    # 可视化检测过程，使用较长的延迟时间
+    visualize_arrow_detection(image_path, observe=True, delay=1500)