一 ，项目分析
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。
主要是通过图像处理技术，实现对一张图片中物体的尺寸测量，具体需求如下：
-
读入一张图片，该图片中包含需要进行测量的物体
-
对图片进行边缘检测，找到所有的轮廓
-
在所有的轮廓中选取面积最大的轮廓，即为所要测量的物体
-
对该物体进行透视变换，将其变成一个矩形
-
在矩形中，通过线段交叉点的方式，确定出物体的高度和宽度
-
将高度和宽度转换成实际尺寸，并在图片上标注出来
-
将结果显示在屏幕上。
二，实现流程
- 导入必要的库：cv2和numpy。
import cv2
import numpy as np
2.定义了一些参数：缩放比例、输出图片的宽度和高度。
scale = 2
wP = 220 * scale
hP = 300 * scale
3.定义了一个函数getContours，用于获取图像中的轮廓。该函数首先将图像转换为灰度图，然后进行高斯模糊，再进行Canny边缘检测，接着进行膨胀和腐蚀操作，最后使用findContours函数找到所有的外轮廓。根据面积和拐点个数的条件进行轮廓过滤，返回过滤后的轮廓列表。
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, _ = 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. 定义了一个函数reorder，用于重新排序四个点的顺序。根据四个点的和、差值的最大值和最小值进行排序，返回重新排序后的点。
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
5. 定义了一个函数warpImg，用于对图像进行透视变换。根据输入的四个点和输出图像的宽度和高度，使用getPerspectiveTransform函数计算透视变换矩阵，然后使用warpPerspective函数进行透视变换，并对变换后的图像进行裁剪。
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)
imgWrap = cv2.warpPerspective(img, matrix, (w, h))
imgWrap = imgWrap[pad:imgWrap.shape[0] - pad, pad:imgWrap.shape[1] - pad]
return imgWrap6. 定义了一个函数findDis，用于计算两个点之间的距离。
def findDis(pts1, pts2):
return ((pts2[0] - pts1[0]) ** 2 + (pts2[1] - pts1[1]) ** 2) ** 0.57. 读取输入的图像，并将其缩放到指定的尺寸。
path = 'E:\All_in\opencv\chicun.png'
img = cv2.imread(path)
img = cv2.resize(img, (0, 0), None, 0.18, 0.18)8. 使用getContours函数获取图像中的轮廓，设定最小轮廓面积为8000，拐点个数为4，返回过滤后的轮廓列表。
img, conts = getContours(img, minArea=8000, filter=4)9. 判断是否存在轮廓，若存在，则找到最大轮廓的拐点位置，使用warpImg函数对图像进行透视变换，并返回变换后的图像。
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)10. 对变换后的图像再次使用getContours函数获取轮廓，设定最小轮廓面积为2000，拐点个数为4，返回过滤后的轮廓列表。
imgContours2, conts2 = getContours(imgWrap, minArea=2000, filter=4, cThr=[50, 50])11. 遍历过滤后的轮廓列表，对每个轮廓绘制多边形和箭头，并计算出两个方向的长度，然后在图像上标注长度信息。
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)12 . 显示结果图像和原始图像，并等待按下任意键关闭窗口。
cv2.imshow('background', imgContours2)
cv2.imshow('Original', img)
cv2.waitKey(0)
三 ，结果展示
四 ，应用前景
-
工业测量：在工业领域中，Opencv测尺寸可以用于检测零件尺寸是否符合规格要求。比如，在生产线上，可以通过拍摄零件图片，利用Opencv测量零件的长度、宽度、直径等参数，以确保产品质量。
-
医学影像：Opencv测尺寸可以应用于医学影像领域中，例如在CT、MRI等医学影像中，测量肿瘤大小、血管直径等。这对于医生来说是非常重要的，可以帮助他们做出准确的诊断和治疗方案。
-
建筑测量：在建筑和房地产领域中，Opencv测尺寸可以用于测量建筑物的尺寸、房间面积等。通过拍摄建筑物的照片，利用Opencv进行测量，可以帮助建筑师、设计师和房地产开发商进行规划和设计。
-
车辆测量：Opencv测尺寸可以应用于交通领域，例如测量车辆的长度、宽度、高度等。这对于道路设计、桥梁设计、停车场规划等方面是非常重要的。
-
教育培训：Opencv测尺寸可以用于教育培训领域中，例如在物理实验中测量物体的大小、重量等。通过利用Opencv进行测量，可以帮助学生更直观地理解和掌握物理概念。
