物体尺寸测量的思路是找一个确定尺寸的物体作为参照物，根据已知的计算未知物体尺寸。

如下图所示，绿色的板子尺寸为220*300（单位：毫米），通过程序计算白色纸片的长度。

1、相关库

2、读图+图片预处理

3、寻找轮廓

4、找到参照物的轮廓，并且进行图像矫正

5、结束

完整代码：

实时实现物体尺寸计算代码：

1、相关库

opencv-python==4.2.0.34

numpy==1.21.6

2、读图+图片预处理

这一步就很常规的处理了。

为了看到图片所有的样子，所以进行resize一下。接下来进行灰度化+高斯模糊+canny边缘检测。然后为了加强边缘进行闭运算。

开运算：先腐蚀后膨胀。用来消除小物体，平滑边界，断开物体之间的粘连。

闭运算：先膨胀后腐蚀。用来填充物体内的小空洞，连接断开的轮廓线。

## 读图
path = '1.jpg'
img = cv2.imread(path)
## 图片预处理
# 由于原图太大，就按比例缩小。比例为0.18
img = cv2.resize(img, (0,0),None,0.18,0.18)
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)   # 灰度化
imgBlur = cv2.GaussianBlur(imgGray, (5,5), 1)     # 高斯模糊
imgCanny = cv2.Canny(imgBlur,100,100)     # 边缘检测
kernel = np.ones((5,5))
imgDial = cv2.dilate(imgCanny,kernel,iterations=3) # 膨胀
imgThre = cv2.erode(imgDial,kernel,iterations=2)   # 腐蚀

imgThre结果：

3、寻找轮廓

# 寻找所有的外轮廓
contours, hiearchy = cv2.findContours(imgThre, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
finalCountours = []
minArea = 1000
filter = 4
# 遍历找到的轮廓
for i in contours:area = cv2.contourArea(i)  # 轮廓的面积if area > minArea:  # 如果大于设置的最小轮廓值，就往下走peri = cv2.arcLength(i, True)  # 封闭轮廓的长度approx = cv2.approxPolyDP(i, 0.02 * peri, True)  # 封闭轮廓曲线拐点坐标bbox = cv2.boundingRect(approx)  # 找到轮廓的最小矩形if filter > 0:  # 需不需要根据拐点个数进行过滤轮廓if len(approx) == filter:  # 拐点个数，面积，拐点坐标，边界框，轮廓finalCountours.append([len(approx), area, approx, bbox, i])else:finalCountours.append([len(approx), area, approx, bbox, i])
# 将轮廓从大到小进行排列
finalCountours = sorted(finalCountours,key=lambda x:x[1] , reverse=True)  if draw:  # 是否要画出来轮廓for con in finalCountours:cv2.drawContours(img,con[4],-1,(0,0,255),3)

找到图像中的外轮廓

函数findContours（）常用参数含义：第一个为输入图像，一般是二值图像。CV_RETR_EXTERNAL表示只检测外轮廓。CV_CHAIN_APPROX_SIMPLE表示保留该方向的终点坐标，也就是拐点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

遍历每个轮廓：

求每个轮廓的面积，如果面积大于阈值，就进行下一步（滤掉那些小的不重要的轮廓）

函数arcLength（）：计算轮廓的周长。参数：第一个为图像轮廓点集合；第二个表示轮廓是否封闭的

函数approxPolyDP（）：对图像轮廓进行多边形拟合。参数：第一个为图像轮廓点集合；第二个表示输出的精度，通俗来说，就是原本的曲线与拟合的曲线之间的最大距离；第三个表示轮廓是否封闭的。返回值是拐点坐标

函数boundingRect（）：计算轮廓的垂直边界最小矩形。找到闭合曲线对应的最小矩形

是否需要根据拐点个数进行过滤轮廓。如果需要的话，如果是曲线拐点个数等于过滤器设置的拐点个数，那就将这个曲线的拐点个数、面积、拐点坐标、曲线的最小矩阵作为一个元组存进finalCountours里。不需要过滤器的话，那就直接把这些东西放进finalCountours里。

将轮廓从大到小排列：

函数sorted（）：排列顺序。参数：第一个为可排序的对象；key为自定义指标进行排序；reverse排序规则，True为降序，False为升序（默认）

函数lambda：一种没有名字的函数。函数名是返回结果，一般用来定义简单的函数。

----lambda x:x[1] 第一个x表示列表的第一个元素，这里表示finalCountours中的元组，x是形参，可以用任意字母代替。x[1]代表元组里的第二个元素，在这里也就是area。所以，key=lambda x:x[1]代表根据area的大小进行排序。

判断是否画出来轮廓。遍历降序排列之后的finalCountours，根据里面的每个元组（一个元组代表一个轮廓）的第五个元素，即i画出来轮廓。颜色为（0，0，255），红色。

画出来的结果：

为了方便，将预处理和寻找轮廓写成一个方法，以供后续调用。方法参数：图像，边缘检测阈值，是否展示边缘检测后的图像（默认为不展示），最小面积（默认为1000），过滤器的拐点大小（默认为0），是否画最后的轮廓（默认为不画）。返回值：图像+存放有每个轮廓的拐点个数、面积、拐点位置、边界框、轮廓的finalCountours

def getContours(img, cThr=[100,100], showCanny=False, minArea=1000, filter=0, draw=False):imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgBlur = cv2.GaussianBlur(imgGray, (5,5), 1)imgCanny = cv2.Canny(imgBlur,cThr[0],cThr[1])kernel = np.ones((5,5))imgDial = cv2.dilate(imgCanny,kernel,iterations=3)imgThre = cv2.erode(imgDial,kernel,iterations=2)if showCanny:cv2.imshow('Canny',imgThre)# 寻找所有的外轮廓contours,hiearchy = cv2.findContours(imgThre,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)finalCountours = []# 遍历找到的轮廓for i in contours:area = cv2.contourArea(i)   # 轮廓的面积if area > minArea:          # 如果大于设置的最小轮廓值，就往下走peri = cv2.arcLength(i,True)    # 封闭的轮廓的长度approx = cv2.approxPolyDP(i,0.02*peri,True)    # 封闭轮廓的拐点bbox = cv2.boundingRect(approx)   # 找到边界框if filter > 0:   # 需不需要根据拐点个数进行过滤轮廓if len(approx)==filter:    # 拐点个数，面积，拐点位置，边界框，轮廓finalCountours.append([len(approx),area,approx,bbox,i])else:finalCountours.append([len(approx), area, approx, bbox, i])finalCountours = sorted(finalCountours,key=lambda x:x[1] , reverse=True)   # 根据轮廓大小进行从大到小的排序if draw:  # 是否要画出来轮廓for con in finalCountours:cv2.drawContours(img,con[4],-1,(0,0,255),3)return img,finalCountours

4、找到参照物的轮廓，并且进行图像矫正

# 找到最大轮廓，也就是绿色板子的位置
if len(finalCountours)!=0:biggest = finalCountours[0][2]   # 最大轮廓的曲线拐点位置

因为已经将finalCountours进行排序了，finalCountours[0]就是最大的轮廓，也就是绿色板子的位置。finalCountours[0][2]也就是approx，曲线拐点位置坐标。

接下来就是图像矫正了。想要变成如下图所示的样子。

# 图像矫正的方法
def warpImg(img,points,w,h,pad=20):points = reorder(points)pts1 = np.float32(points)pts2 = np.float32([[0,0],[w,0],[0,h],[w,h]])matrix = cv2.getPerspectiveTransform(pts1,pts2)imgWrap = cv2.warpPerspective(img,matrix,(w,h))return imgWrap

主要的函数是getPerspectiveTransform和warpPerspective。

函数getPerspectiveTransform()：由四对点计算透射变换。参数：输入图像的四边形顶点坐标pts1；输出图像的相应的四边形顶点坐标pts2。从而得到一个3*3的变换矩阵。pts1就是绿色板子四个点的坐标了，也就是biggest。pts2的坐标，根据最终要的形式来看，左上角的顶点需要变成（0，0），再根据绿色板子的宽和高，就可以推算出四个点的位置了。

函数warpPerspective()：对图像进行透视变换。参数：需要变换的原始图像；变换矩阵；输出图像的大小。

了解了什么是图像矫正，那就开始想办法得到这些参数：原始图像，pts1，pts2。原始图像已知，pts2已知（绿色板子作为参照物，宽和高是已知的），虽然表面上pst1好像就是biggest，但biggest的四个点的坐标顺序不是按照下图所示进行排序的，所以pts1需要进一步的处理。

左上角1的点，横坐标和纵坐标之和肯定是最小的那个；右下角4的点横坐标和纵坐标之和肯定是最大的那个；右上角2的点，它的差分是最小的；左下角3的点，差分是最大的。

所以书写一个方法，将轮廓坐标按顺序重新排列。

# 将轮廓拐点重新排列的方法
def reorder(myPoints):myPointsNew = np.zeros_like(myPoints)myPoints = myPoints.reshape((4,2))add = myPoints.sum(1)myPointsNew[0] = myPoints[np.argmin(add)]myPointsNew[3] = myPoints[np.argmax(add)]diff = np.diff(myPoints,axis=1)myPointsNew[1] = myPoints[np.argmin(diff)]myPointsNew[2] = myPoints[np.argmax(diff)]return myPointsNew

调用方法。wP为绿板的宽度220，hP为绿板的高度300。

imgWrap = warpImg(img, biggest, wP, hP)

结果发现会出现蓝色箭头所示的边缘地区没有填充满。

所以用pad进行填充。加入图像矫正的方法里。得到这一步理想的结果。

imgWrap = imgWrap[pad:imgWrap.shape[0]-pad,pad:imgWrap.shape[1]-pad]

5、结束

找到纸片的位置，用线条框出，拐点重新排序。这些步骤和前面一致。

imgContours2, conts2 = utils.getContours(imgWrap, minArea=2000, filter=4, cThr=[50,50])if len(conts)!=0:for obj in conts2:cv2.polylines(imgContours2,[obj[2]],True,(0,255,0),2)nPoints = utils.reorder(obj[2])

nPoints为每个轮廓重新排序后的四个拐点坐标。

计算纸片宽度和高度。根据勾股定理，计算斜边的长度。用方法表示：

def findDis(pts1,pts2):return ((pts2[0]-pts1[0])**2 + (pts2[1]-pts1[1])**2)**0.5

调用该方法，转换成厘米为单位，然后保留一位小数：

nW = round((findDis(nPoints[0][0],nPoints[1][0])/10),1)
nH = round((findDis(nPoints[0][0],nPoints[2][0])/10),1)

创建箭头：

cv2.arrowedLine(imgContours2, (nPoints[0][0][0],nPoints[0][0][1]),(nPoints[1][0][0],nPoints[1][0][1]),(255,0,255),3,8,0,0.05)
cv2.arrowedLine(imgContours2, (nPoints[0][0][0],nPoints[0][0][1]),(nPoints[2][0][0],nPoints[2][0][1]),(255,0,255),3,8,0,0.05)

把尺寸也标上去：

x,y,w,h = obj[3]
cv2.putText(imgContours2,'{}cm'.format(nW),(x+30,y-10),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(255,0,255),2)
cv2.putText(imgContours2, '{}cm'.format(nH), (x - 70, y + h // 2), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (255, 0, 255), 2)

最终结果：

完整代码：

其中scale主要也是想让矫正后的图片能显示得大点。后面用绿板的尺寸计算纸片的时候再除回去的。

import cv2
import numpy as npimport cv2
import numpy as npscale = 2
wP = 220*scale
hP = 300*scaledef getContours(img, cThr=[100,100], showCanny=False, minArea=1000, filter=0, draw=False):imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgBlur = cv2.GaussianBlur(imgGray, (5,5), 1)imgCanny = cv2.Canny(imgBlur,cThr[0],cThr[1])kernel = np.ones((5,5))imgDial = cv2.dilate(imgCanny,kernel,iterations=3)imgThre = cv2.erode(imgDial,kernel,iterations=2)if showCanny:cv2.imshow('Canny',imgThre)# 寻找所有的外轮廓contours,hiearchy = cv2.findContours(imgThre,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)finalCountours = []# 遍历找到的轮廓for i in contours:area = cv2.contourArea(i)   # 轮廓的面积if area > minArea:          # 如果大于设置的最小轮廓值，就往下走peri = cv2.arcLength(i,True)    # 封闭的轮廓的长度approx = cv2.approxPolyDP(i,0.02*peri,True)    # 封闭轮廓的拐点bbox = cv2.boundingRect(approx)   # 找到边界框if filter > 0:   # 需不需要根据拐点个数进行过滤轮廓if len(approx)==filter:    # 拐点个数，面积，拐点位置，边界框，轮廓finalCountours.append([len(approx),area,approx,bbox,i])else:finalCountours.append([len(approx), area, approx, bbox, i])finalCountours = sorted(finalCountours,key=lambda x:x[1] , reverse=True)   # 根据轮廓大小进行从大到小的排序if draw:  # 是否要画出来轮廓for con in finalCountours:cv2.drawContours(img,con[4],-1,(0,0,255),3)return img,finalCountours# 四个点是随机的，于是重新排序
def reorder(myPoints):myPointsNew = np.zeros_like(myPoints)myPoints = myPoints.reshape((4,2))add = myPoints.sum(1)myPointsNew[0] = myPoints[np.argmin(add)]myPointsNew[3] = myPoints[np.argmax(add)]diff = np.diff(myPoints,axis=1)myPointsNew[1] = myPoints[np.argmin(diff)]myPointsNew[2] = myPoints[np.argmax(diff)]return myPointsNewdef warpImg(img,points,w,h,pad=20):# print(points)points = reorder(points)pts1 = np.float32(points)pts2 = np.float32([[0,0],[w,0],[0,h],[w,h]])matrix = cv2.getPerspectiveTransform(pts1,pts2)imgWrap = cv2.warpPerspective(img,matrix,(w,h))imgWrap = imgWrap[pad:imgWrap.shape[0]-pad,pad:imgWrap.shape[1]-pad]return imgWrapdef findDis(pts1,pts2):return ((pts2[0]-pts1[0])**2 + (pts2[1]-pts1[1])**2)**0.5path = '1.jpg'
img = cv2.imread(path)
img = cv2.resize(img, (0, 0), None, 0.18, 0.18)
img, conts = getContours(img, minArea=8000, filter=4)
if len(conts) != 0:biggest = conts[0][2]  # 最大轮廓的拐点位置# print(biggest)imgWrap = warpImg(img, biggest, wP, hP)imgContours2, conts2 = getContours(imgWrap, minArea=2000, filter=4, cThr=[50, 50])if len(conts) != 0:for obj in conts2:cv2.polylines(imgContours2, [obj[2]], True, (0, 255, 0), 2)nPoints = reorder(obj[2])nW = round((findDis(nPoints[0][0] // scale, nPoints[1][0] // scale) / 10), 1)nH = round((findDis(nPoints[0][0] // scale, nPoints[2][0] // scale) / 10), 1)# 创建箭头cv2.arrowedLine(imgContours2, (nPoints[0][0][0], nPoints[0][0][1]), (nPoints[1][0][0], nPoints[1][0][1]),(255, 0, 255), 3, 8, 0, 0.05)cv2.arrowedLine(imgContours2, (nPoints[0][0][0], nPoints[0][0][1]), (nPoints[2][0][0], nPoints[2][0][1]),(255, 0, 255), 3, 8, 0, 0.05)x, y, w, h = obj[3]cv2.putText(imgContours2, '{}cm'.format(nW), (x + 30, y - 10), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,(255, 0, 255), 2)cv2.putText(imgContours2, '{}cm'.format(nH), (x - 70, y + h // 2), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,(255, 0, 255), 2)cv2.imshow('background', imgContours2)cv2.imshow('Original', img)
cv2.waitKey(0)

实时实现物体尺寸计算代码：

注意：必须有参照物在，不然实现不了。

放方法的程序utils.py：

import cv2
import numpy as npdef getContours(img, cThr=[100,100], showCanny=False, minArea=1000, filter=0, draw=False):imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgBlur = cv2.GaussianBlur(imgGray, (5,5), 1)imgCanny = cv2.Canny(imgBlur,cThr[0],cThr[1])kernel = np.ones((5,5))imgDial = cv2.dilate(imgCanny,kernel,iterations=3)imgThre = cv2.erode(imgDial,kernel,iterations=2)if showCanny:cv2.imshow('Canny',imgThre)# 寻找所有的外轮廓contours,hiearchy = cv2.findContours(imgThre,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)finalCountours = []# 遍历找到的轮廓for i in contours:area = cv2.contourArea(i)   # 轮廓的面积if area > minArea:          # 如果大于设置的最小轮廓值，就往下走peri = cv2.arcLength(i,True)    # 封闭的轮廓的长度approx = cv2.approxPolyDP(i,0.02*peri,True)    # 封闭轮廓的拐点bbox = cv2.boundingRect(approx)   # 找到边界框if filter > 0:   # 需不需要根据拐点个数进行过滤轮廓if len(approx)==filter:    # 拐点个数，面积，拐点位置，边界框，轮廓finalCountours.append([len(approx),area,approx,bbox,i])else:finalCountours.append([len(approx), area, approx, bbox, i])finalCountours = sorted(finalCountours,key=lambda x:x[1] , reverse=True)   # 根据轮廓大小进行从大到小的排序if draw:  # 是否要画出来轮廓for con in finalCountours:cv2.drawContours(img,con[4],-1,(0,0,255),3)return img,finalCountours# 四个点是随机的，于是重新排序
def reorder(myPoints):myPointsNew = np.zeros_like(myPoints)myPoints = myPoints.reshape((4,2))add = myPoints.sum(1)myPointsNew[0] = myPoints[np.argmin(add)]myPointsNew[3] = myPoints[np.argmax(add)]diff = np.diff(myPoints,axis=1)myPointsNew[1] = myPoints[np.argmin(diff)]myPointsNew[2] = myPoints[np.argmax(diff)]return myPointsNewdef warpImg(img,points,w,h,pad=20):# print(points)points = reorder(points)pts1 = np.float32(points)pts2 = np.float32([[0,0],[w,0],[0,h],[w,h]])matrix = cv2.getPerspectiveTransform(pts1,pts2)imgWrap = cv2.warpPerspective(img,matrix,(w,h))imgWrap = imgWrap[pad:imgWrap.shape[0]-pad,pad:imgWrap.shape[1]-pad]return imgWrapdef findDis(pts1,pts2):return ((pts2[0]-pts1[0])**2 + (pts2[1]-pts1[1])**2)**0.5

主程序：

import cv2
import numpy as np
import utils########################################webcam = False
path = '1.jpg'
cap = cv2.VideoCapture(0)
cap.set(10,160)   # 改变亮度
cap.set(3,680)    # 改变宽度
cap.set(4,1080)   # 改变高度
scale = 2
wP = 220*scale
hP = 300*scalewhile True:if webcam:success,img = cap.read()    # 如果webCam为True，那就打开摄像头else:img = cv2.imread(path)           # 否则就读图片img = cv2.resize(img, (0,0),None,0.18,0.18)img, conts = utils.getContours(img,minArea=8000,filter=4)if len(conts)!=0:biggest = conts[0][2]   # 最大轮廓的拐点位置# print(biggest)imgWrap = utils.warpImg(img, biggest, wP, hP)imgContours2, conts2 = utils.getContours(imgWrap, minArea=2000, filter=4, cThr=[50,50])if len(conts)!=0:for obj in conts2:cv2.polylines(imgContours2,[obj[2]],True,(0,255,0),2)nPoints = utils.reorder(obj[2])nW = round((utils.findDis(nPoints[0][0]//scale,nPoints[1][0]//scale)/10),1)nH = round((utils.findDis(nPoints[0][0]//scale,nPoints[2][0]//scale)/10),1)# 创建箭头cv2.arrowedLine(imgContours2, (nPoints[0][0][0],nPoints[0][0][1]),(nPoints[1][0][0],nPoints[1][0][1]),(255,0,255),3,8,0,0.05)cv2.arrowedLine(imgContours2, (nPoints[0][0][0],nPoints[0][0][1]),(nPoints[2][0][0],nPoints[2][0][1]),(255,0,255),3,8,0,0.05)x,y,w,h = obj[3]cv2.putText(imgContours2,'{}cm'.format(nW),(x+30,y-10),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(255,0,255),2)cv2.putText(imgContours2, '{}cm'.format(nH), (x - 70, y + h // 2), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (255, 0, 255), 2)cv2.imshow('background', imgContours2)cv2.imshow('Original',img)cv2.waitKey(1)

opencv实战---物体尺寸测量相关推荐

python编程实现图片内多个物体尺寸测量
要实现图片内多个物体尺寸测量,你可以使用计算机视觉库,如 OpenCV 来实现. 首先,你需要读取图片,然后对图像进行预处理,以便更容易地检测到图像中的物体.例如,你可以使用边缘检测算法来提取边缘,或 ...
C#实现物体尺寸测量（利用坐标转换）
由于需要实现一个物体的测量,但是已有QT程序,最后的整体功能需要在C#集成实现. 首先有两个方案:(1)利用已有的QT程序以及界面,直接在C#中调用QT,或者C++程序,但是经过尝试,发现两者之间进行 ...
图像式物体尺寸测量算法设计
目标:设计算法,根据一系列二维图像估计图中待测矩形物体的几何尺寸. 要求:误差小,运行速度快,占内存小,嵌入式平台,产品成本不能太高. 最近接到领导任务,要求评估根据二维图像测量物体尺寸的算法可行性. ...
opencv-python实战---物体长度尺寸测量
本文的主要算法实现思路:找一个最小面积的矩形提供长宽由此推算出其他物体的长度博主只写了测量物体最左最右的长度,只能测量矩形. 如图最左边的为参照物,然后测量上下两个物体的最左和最右长度. 1,相关 ...
OpenCV检验物体尺寸
来源OpenCV的官方教程:https://github.com/dloperab/PyImageSearch-CV-DL-CrashCourse#day-6-measuring-size-of-ob ...
openCV 轮廓查找-测量物体尺寸
一,利用openCV的findContours轮廓查找功能,用已知物体的尺寸(比如硬币)作为参考,根据实际尺寸与像素尺寸的比列,求出图片中物体的实际大小.存在的问题有两个: 图片的阴影导致轮廓不准确, ...
Opencv实战 | 用摄像头自动化跟踪特定颜色物体
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:新机器视觉 1. 导语在之前的某个教程里,我们探讨了如 ...
【计算机视觉OpenCV基础】实验四尺寸测量
实验四尺寸测量计算机视觉OpenCV基础实验合辑(实验1234+扩展) 资源下载地址: https://download.csdn.net/download/weixin_53403301 合辑: ...
基于stm32的非接触式物体尺寸形态测量仪（改进版）
目录(完整论文+程序+视频可通过主页私信获) 第一章绪论 1.1 背景和意义 1.1.1 背景 1.1.2 意义 1.2 国内外研究现状第二章测量仪设计方案 2.1 方案一 2.2 方案二 2 ...

opencv实战---物体尺寸测量

1、相关库

2、读图+图片预处理

3、寻找轮廓

4、找到参照物的轮廓，并且进行图像矫正

5、结束

完整代码：

实时实现物体尺寸计算代码：

opencv实战---物体尺寸测量相关推荐

最新文章

热门文章