使用 OpenCV 测量物体尺寸

最新推荐文章于 2025-03-31 09:58:13 发布

原创

最新推荐文章于 2025-03-31 09:58:13 发布 · 1.7k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #人工智能 #计算机视觉

使用 OpenCV 测量物体尺寸

你是否曾经遇到过这样的问题：想要知道计算器的精确尺寸，但手头又没有专业的测量工具？别担心，今天我们就来教大家一个简单又实用的方法，通过一张A4纸就能估算出计算器的宽度和高度，精确到毫米哦！

该算法的主要思想其实非常简单。请看下面图 1 中我们要处理的样本图像。

图 1.本教程中使用的示例图像。

本教程的目的是估算计算器的宽度和高度（以毫米为单位）。为此，我们需要一个已知尺寸的物体作为参考长度。这基本上就是我们使用白纸作为对象背景的原因。纸张尺寸为 A4，这意味着它的宽度和高度分别为 210 毫米和 297 毫米。然后，我们可以借助这些数字获得估计的计算器尺寸。

在开始之前，我们这篇文章分为几个章节：

导入模块和参数初始化
图像加载和预处理
寻找纸张轮廓
透视变换
寻找物体轮廓
边长计算
将所有内容放在一个函数中

现在，我们从第一个开始。

1. 导入模块及参数初始化

和其他 Python 项目一样，我要做的第一件事就是导入所有必需的模块。在本例中，我们的大部分工作将使用和来完成cv2，numpy而matplotlib仅用于显示图像。

# Codeblock 1``import cv2``import numpy as np``import matplotlib.pyplot as plt

由于模块已导入，我们将初始化一些参数，这些参数是未来计算所需的，您可以在下面的 Codeblock 2 中看到。变量SCALE主要用于我们不希望生成的图像太小。同时，和PAPER_W表示PAPER_H纸张宽度和高度（以毫米为单位）。

# Codeblock 2``SCALE = 3``PAPER_W = 210 * SCALE``PAPER_H = 297 * SCALE

就这样。第一章到此结束，因为这部分没有什么可说的了。

2.图像加载和预处理

之后，我们将创建一个名为和的函数load_image()，show_image()我认为这两个函数的名称是不言自明的。它们的详细信息可以在 Codeblock 3 中看到。您可以在下面看到我定义了参数scale（小写），其中我的目的是使输入图像变得有点小，因为原始图像分辨率非常高。但是，从技术上讲，您也可以通过传递大于 1 的值来使其更大。

show_image()另一方面，该函数实现cv2.cvtColor() 了将颜色通道从 BGR 转换为 RGB 的功能。这种转换是必要的，因为 Matplotlib 在颜色通道顺序方面与 OpenCV 的工作方式不同。

# Codeblock 3``def load_image(path, scale=0.7): img = cv2.imread(path) img_resized = cv2.resize(img, (0,0), None, scale, scale)``return img_resized`` ``def show_image(img): img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) plt.figure(figsize=(6,8)) plt.xticks([]) plt.yticks([]) plt.imshow(img) plt.show()

由于上面的两个函数已经初始化，现在我们可以使用它来实际加载图像。这里我决定将参数保留scale为其默认值（0.7），这将导致加载的图像大小为 1120×840 px（原始大小为 1600×1200 px）。

# Codeblock 4``img_original = load_image(path='images/1.jpeg')``show_image(img_original)``print(img_original.shape)

图 2. 要处理的图像尺寸为 1120 x 840 像素。

我上面显示的图像存储在中img_original。接下来要做的步骤是使用一系列图像处理技术对该图像进行预处理，即灰度转换（#1）、模糊（#2）、Canny 边缘检测（#3）、扩张（#5）和闭合（#6）。所有这些步骤都包含在preprocess_image()Codeblock 5 中的函数中。

# Codeblock 5``def preprocess_image(img, thresh_1=57, thresh_2=232): img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #1 img_blur = cv2.GaussianBlur(img_gray, (5,5), 1) #2 img_canny = cv2.Canny(img_blur, thresh_1, thresh_2) #3`` kernel = np.ones((3,3)) #4 img_dilated = cv2.dilate(img_canny, kernel, iterations=1) #5 img_closed = cv2.morphologyEx(img_dilated, cv2.MORPH_CLOSE,`` kernel, iterations=4) #6`` img_preprocessed = img_closed.copy()`` img_each_step = {'img_dilated': img_dilated, 'img_c