1、效果展示
我们将以两种方式来展示我们这个项目的效果。
下面这是视频的实时检测，我分别用了盒子和盖子来检测，按理来说效果不应该怎么差的，但我实在没有找到合适的背景与物体。且我的摄像头使用的是外设，我不得不手持，所以存在一点点的抖动，但我可以保证，它是缺少了适合检测物体与背景。
我使用手机拍了一张照片并经过了ps修改了背景，效果不错。
2、项目介绍
本项目中，我将选用A4纸张为背景，找到放在该区域中对象的长、宽。打印出相关的数值。
3、项目搭建
所有的资源，你都可以在我的GitHub上找到，我将在末尾附上链接
4、utils.py文件代码展示与讲解
在项目当中，我将引入utils，而utils是适用于在我们项目中所写的的文件。有了对它的理解能帮助我们更好的理解本项目，所以我觉得有必要在此叙述一番。
import cv2
import numpy as np
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)
contours, hiearchy = cv2.findContours(imgThre, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
finalCountours = []
for i in contours:
area = cv2.contourArea(i)
if area > minArea:
peri = cv2.arcLength(i, True)
approx = cv2.approxPolyDP(i, 0.02 * peri, True)
bbox = cv2.boundingRect(approx)
if filter > 0:
if len(approx) == filter:
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)
if draw:
for con in finalCountours:
cv2.drawContours(img, con[4], -1, (0, 0, 255), 3)
return img, finalCountours
def reorder(myPoints):
# print(myPoints.shape)
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
def 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)
imgWarp = cv2.warpPerspective(img, matrix, (w, h))
imgWarp = imgWarp[pad:imgWarp.shape[0] - pad, pad:imgWarp.shape[1] - pad]
return imgWarp
def findDis(pts1, pts2):
return ((pts2[0] - pts1[0]) ** 2 + (pts2[1] - pts1[1]) ** 2) ** 0.5
接下来，我将按照惯例讲解，我们就以每个函数的意义来讲。
1.getContours()函数，曾在我以前的博客中出现过。正如它的命名，我们是为了得到轮廓。将原始图像依次经过这些转化：灰度图像、高斯模糊、canny检测边缘、膨胀、侵蚀等。 cv2.findContours()从图像ROI中提取轮廓，然后在整个图像上下文中分析轮廓，参数cv2.RETR_EXTERNAL将会获取外部边缘；
cv2.contourArea()计算轮廓面积；
cv2.contourArea()计算轮廓周长或曲线长度；
cv2.approxPolyDP()以指定精度近似多边形曲线;
cv2.boundingRect()函数计算并返回指定点集或灰度图像非零像素的最小右上边界矩形;
之后用finalCountours这个空列表来接受我们需要用到的信息，再对其轮廓的大小进行排序，因为我们需要的是最大的边界框。
cv2.drawContours()绘制轮廓轮廓或填充轮廓，最后返回img, finalCountours。
2.reorder函数，myPointsNew = np.zeros_like(myPoints)，返回与myPoints具有相同形状和类型的零数组，在打印了myPoints.shape，它所返回的值是(4,1,2)，不难理解，4指的是四个点，2指的是x,y，我们不需要中间的1，所以要对其进行重塑。np.argmin返回沿轴的最小值的索引，np.argmax返回沿轴的最大值的索引。所以此函数的作用是将顺序改为最下面的顺序。
4.warpImg()函数，其实就是透视变换，详细的函数可以回头复习一下Opencv的文档，我在此不做多的讲述。
5.findDis()函数我们用一张图来解释，个人手绘：
5、项目代码展示与讲解
import cv2
import utils
###################################
webcam = False
path = '1.png'
cap = cv2.VideoCapture(1)
cap.set(10, 160)
cap.set(3, 1920)
cap.set(4, 1080)
scale = 3
wP = 210 * scale
hP = 297 * scale
###################################
while True:
if webcam:
success, img = cap.read()
else:
img = cv2.imread(path)
imgContours, conts = utils.getContours(img, minArea=50000, filter=4)
if len(conts) != 0:
biggest = conts[0][2]
# print(biggest)
imgWarp = utils.warpImg(img, biggest, wP, hP)
imgContours2, conts2 = utils.getContours(imgWarp,
minArea=2000, filter=4,
cThr=[50, 50], draw=False)
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)
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, 1.5,
(255, 0, 255), 2)
cv2.putText(imgContours2, '{}cm'.format(nH), (x - 70, y + h // 2), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1.5,
(255, 0, 255), 2)
cv2.imshow('A4', imgContours2)
img = cv2.resize(img, (0, 0), None, 0.5, 0.5)
cv2.imshow('Original', img)
if cv2.waitKey(1) & 0xFF ==27:
break
那么，本项目的代码我看了一下，将utils.py文件看懂之后，不难理解，所以本项目我就不仔细讲解了。
6、项目资源
GitHub
7、项目总结
本项目主要是运用了之前扫描文档的思想，以A4纸为背景，检测其中区域的物体长和宽。我的摄像头无法固定，所以是手持的，且由于我在寝室里面是真的没有找到合适的测量物体以及背景色（全是米色或原木色的）。所以效果有所欠缺，但经过ps修改的图片，检测的效果还是很不错的。
以上就是Python+Opencv实现物体尺寸测量的方法详解的详细内容，更多关于Python Opencv物体尺寸测量的资料请关注脚本之家其它相关文章！