OpenCV測(cè)量物體的尺寸技能 get～

點(diǎn)擊上方“小白學(xué)視覺(jué)”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

測(cè)距原理

性質(zhì)1：參考物尺寸

性質(zhì)2：易于識(shí)別

我們應(yīng)該能夠很容易地在圖片中找到參照物體，無(wú)論是基于物體的位置（例如，參考物體總是放在圖片的左上角）還是通過(guò)外觀（例如，獨(dú)特的顏色或形狀，不同與圖片中的其他物體）。無(wú)論是哪種情況，我們的參照物都應(yīng)該以某種方式具有唯一的可識(shí)別性。

在下面的例子中，我們將使用美國(guó)硬幣作為我們的參考對(duì)象，在所有的示例中，確保它始終是圖片中的最左側(cè)的對(duì)象。

通過(guò)確保硬幣是最左邊的物體，我們可以從左到右對(duì)物體輪廓進(jìn)行排序，獲取硬幣（始終是排序列表中的第一個(gè)輪廓），并使用它定義每個(gè)單位的像素?cái)?shù)，我們將其定義為：

已知硬幣的寬度為0.955英寸。現(xiàn)在假設(shè)，物體的寬為150像素（基于其關(guān)聯(lián)的邊界框）。

pixels_per_metric可得：

pixels_per_metric=150px/0.955in = 157px/in

因此，在圖片中應(yīng)用每英寸所占的像素點(diǎn)為157個(gè)。使用這個(gè)比率，我們可以計(jì)算圖片中物體的大小。

利用計(jì)算機(jī)視覺(jué)測(cè)量物體的大小

現(xiàn)在我們理解了pixels_per_metric比率的含義，我們可以應(yīng)用python運(yùn)行代碼來(lái)測(cè)量圖片中的物體大小。

打開(kāi)一個(gè)文件，命名為 object_size.py，并插入以下代碼：

# 導(dǎo)入必要的包from scipy.spatial import distance as distfrom imutils import perspectivefrom imutils import contoursimport numpy as npimport argparseimport imutilsimport cv2def midpoint(ptA, ptB):return ((ptA[0]+ptB[0])*0.5, (ptA[1]+ptB[1])*0.5)# 構(gòu)造解析參數(shù)ap = argparse.ArugmentParser()ap.add_argument("-i", "--image", required=True,                help="path to the input image")ap.add_argument("-w", "--width", required=True,               help="width of the left-most object in the image(in inches)")args = vars(ap.parse_args()

pip3 install imutils

除此之外，如果你安裝了imutils，請(qǐng)確保你安裝了最新版本的，本例中imutils的版本為“0.5.2”

pip3 install --upgrade imutils

第10-11行定義個(gè)midpoint的輔助函數(shù)，從它的名字可知，該函數(shù)是用于計(jì)算兩組（x，y）坐標(biāo)的中點(diǎn)。

在第14-19行構(gòu)造解析參數(shù)。我們需要兩個(gè)參數(shù)，--image，我們需要測(cè)量的物體圖片的路徑，--width，參考物體的寬（單位in），假定它是我們圖片中的最左邊的對(duì)象。

# 導(dǎo)入圖片轉(zhuǎn)換為灰度圖，并進(jìn)行輕微的模糊image = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)gray = cv2.GaussianBlur(gray, (7, 7), 0)# 執(zhí)行邊緣檢測(cè)# 然后在物體之間的邊緣執(zhí)行膨脹+腐蝕操作使其縫隙閉合edged = cv2.Canny(gray, 50, 100)edged = cv2.dilate(edged, None, iterations=1)edged = cv2.erode(edged, None, iterations=1)# 在邊緣圖中查找輪廓cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,                       cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)# 從左往右對(duì)輪廓進(jìn)行排序# 初始化'pixels per metric' 校準(zhǔn)變量(cnts, _) = contours.sort_contours(cnts)pixelsPerMetric = None

2-4行 從磁盤(pán)中導(dǎo)入圖片，轉(zhuǎn)換為灰度圖，然后用高斯濾波進(jìn)行平滑。

然后，我們執(zhí)行邊緣檢測(cè)和膨脹+腐蝕操作以閉合邊緣圖片中所有邊緣之間的間隙。

13-15行在我們的邊緣圖片中找相應(yīng)物體的輪廓。

19行將這些輪廓從左往右排序。初始化'pixels per metric' 的值

下一步就是去檢測(cè)每個(gè)輪廓:

# 分布遍歷這些輪廓for c in cnts:# 如果輪廓不夠大，直接忽略if cv2.contourArea(c)<100:continue# 計(jì)算輪廓的選擇框    orig = image.copy()    box = cv2.minAreaRect(c)    box = cv2.cv.BoxPoints(box) if imutils.is_cv2() else cv2.boxPoints(box)    box = np.array(box, dtype="int")# 對(duì)輪廓點(diǎn)進(jìn)行排序，順序?yàn)樽笊?，右上，右下和左?/span># 然后繪制旋轉(zhuǎn)邊界框的輪廓    box = perspective.order_points(box)    cv2.drawContours(orig, [box.astype("int")], -1, (0,255,0), 2)# 遍歷原始點(diǎn)并繪制出來(lái)for (x, y) in box:        cv2.circle(orig, (int(x), int(y)), 5, (0,0,255), -1)

2行開(kāi)始遍歷每個(gè)單獨(dú)的輪廓。

如果輪廓不夠大，則會(huì)丟棄該區(qū)域，認(rèn)為該區(qū)域是邊緣檢測(cè)過(guò)程中留下的噪聲（4-5行）。

如果輪廓區(qū)域足夠大，在第9-11行計(jì)算圖中的選擇邊界框，特別注意OpenCV2使用的是cv2.cv.BoxPoints函數(shù)，OpenCV3使用的是cv2.boxPoints函數(shù)。 

然后，我們按照左上、右上、右下和左下的順序排列旋轉(zhuǎn)的邊界框坐標(biāo)。

最后，第16-20行用綠色的線(xiàn)畫(huà)出物體的輪廓，然后用紅色的小圓圈繪制出邊界框矩形的頂點(diǎn)。

現(xiàn)在我們已經(jīng)對(duì)邊界框進(jìn)行了排序，我們可以計(jì)算一系列的中點(diǎn)：

# 打開(kāi)有序的邊界框，然后計(jì)算左上和右上坐標(biāo)之間的中點(diǎn)，# 再計(jì)算左下和右下坐標(biāo)之間的中點(diǎn)  (tl, tr, br, bl) = box  (tltrX, tltrY) = midpoint(tl, tr)  (blbrX, blbrY) = midpoint(bl, br)# 計(jì)算左上點(diǎn)和右上點(diǎn)之間的中點(diǎn)# 然后是右上角和右下角之間的中點(diǎn)  (tlblX, tlblY) = midpoint(tl, bl)  (trbrX, trbrY) = midpoint(tr, br)# 在圖中畫(huà)出中點(diǎn)  cv2.circle(orig, (int(tltrX), int(tltrY)), 5, (255, 0, 0), -1)  cv2.circle(orig, (int(blbrX), int(blbrY)), 5, (255, 0, 0), -1)  cv2.circle(orig, (int(tlblX), int(tlblY)), 5, (255, 0, 0), -1)  cv2.circle(orig, (int(trbrX), int(trbrY)), 5, (255, 0, 0), -1)# 在中點(diǎn)之間繪制線(xiàn)  cv2.line(orig, (int(tltrX), int(tltrY)), (int(blbrX), int(blbrY)),    (255, 0, 255), 2)  cv2.line(orig, (int(tlblX), int(tlblY)), (int(trbrX), int(trbrY)),    (255, 0, 255), 2)

第3-5行取出有序的邊界框，然后計(jì)算左上和右上點(diǎn)之間的中點(diǎn)，再計(jì)算左下和右下點(diǎn)之間的中點(diǎn)。

我們還將分別計(jì)算左上+左下和右上+右下之間的中點(diǎn)。

第13-16行在圖中畫(huà)出藍(lán)色的中點(diǎn)，然后用紫色線(xiàn)連接中點(diǎn)。

接下來(lái)，我們通過(guò)分析參考物體來(lái)初始化pixelsPerMetric值

  # 計(jì)算中點(diǎn)間的歐式距離dA = dist.euclidean((tltrX, tltrY), (blbrX, blbrY))dB = dist.euclidean((tlblX, tlblY), (trbrX, trbrY))  # 如果pixels per metric還未初始化，    # 則將其計(jì)算為像素與提供的度量的比率（本例中為英寸）if pixelsPerMetric is None:pixelsPerMetric = dB / args["width"]

第2-3行計(jì)算集合中的中點(diǎn)的歐式距離。

dA保存的是高度距離，dB保存的是寬度距離。

然后，我在第7行進(jìn)行檢測(cè)pixelsPerMetric是否被初始化了，如果未被初始化，我們通過(guò)用dB出于--width提供的值，得到我們需要每英寸的像素?cái)?shù)。

現(xiàn)在pixelsPerMetric的值已經(jīng)被定義，我們可以測(cè)量圖片中物體的大小

# 計(jì)算物體的大小  dimA = dA / pixelsPerMetric  dimB = dB / pixelsPerMetric# 在圖中畫(huà)出物體的大小  cv2.putText(orig, "{:.1f}in".format(dimA),    (int(tltrX - 15), int(tltrY - 10)), cv2.FONT_HERSHEY_SIMPLEX,0.65, (255, 255, 255), 2)  cv2.putText(orig, "{:.1f}in".format(dimB),    (int(trbrX + 10), int(trbrY)), cv2.FONT_HERSHEY_SIMPLEX,0.65, (255, 255, 255), 2)# 顯示輸出圖片  cv2.imshow("Image", orig)  cv2.waitKey(0)

第2-3行通過(guò)對(duì)應(yīng)的歐式距離除以pixelsPerMetric計(jì)算得到物體的尺寸。

第6-11行在圖中畫(huà)出物體的尺寸，而第14-15行為顯示輸出結(jié)果的圖片。

物體尺寸測(cè)量結(jié)果

在命令行中輸入

python3 object_size.py --image images/example_01.png --width 0.955

輸出結(jié)果如下圖所示：

如上圖所示，我們已經(jīng)成功的計(jì)算出圖片中每個(gè)物體的尺寸。

然而，并非所有的結(jié)果都是完美的。

可能的原因

1、拍攝的角度并非是一個(gè)完美的90°俯視。如果不是90°拍攝，物體的尺寸可能會(huì)出現(xiàn)扭曲。

2、沒(méi)有使用相機(jī)內(nèi)在和外在參數(shù)來(lái)校準(zhǔn)。當(dāng)無(wú)法確定這些參數(shù)時(shí)，照片很容易發(fā)生徑向和切向的透鏡變形。執(zhí)行額外的校準(zhǔn)步驟來(lái)找到這些參數(shù)可以消除圖片中的失真并得到更好的物體大小的近似值。

總結(jié)

在本文中，我們學(xué)習(xí)了如何通過(guò)使用python和OpenCV來(lái)測(cè)量圖片中的物體的大小。

我們需要確定pixels per metric比率（單位尺寸像素?cái)?shù)），即在給定的度量（如英寸、毫米、米等）下，像素的數(shù)量。

為了計(jì)算這個(gè)比率，我們需要一個(gè)參考物體，它需要兩點(diǎn)重要的性質(zhì)：

1、參考物體需要有含測(cè)量單位（英寸、毫米等等）的尺寸

2、無(wú)論從物體的位置還是形狀，參考物體都需要容易被找到。

加入上面的性質(zhì)都能滿(mǎn)足，你可以使用參考物體計(jì)算pixels per metric比率，并根據(jù)這個(gè)計(jì)算圖片中物體的大小。

英文原文：

https://www.pyimagesearch.com/2016/03/28/measuring-size-of-objects-in-an-image-with-opencv/

其他參考項(xiàng)目：https://github.com/snsharma1311/object-size

詳細(xì)代碼鏈接：https://github.com/DWCTOD/AI_study/tree/master/%E5%90%88%E6%A0%BC%E7%9A%84CV%E5%B7%A5%E7%A8%8B%E5%B8%88/%E5%AE%9E%E6%88%98%E7%AF%87/opencv/%EF%BC%88%E5%85%AD%EF%BC%89%E5%88%A9%E7%94%A8python%E5%92%8COpenCV%E6%B5%8B%E9%87%8F%E7%89%A9%E4%BD%93%E7%9A%84%E5%A4%A7%E5%B0%8F

好消息！
小白學(xué)視覺(jué)知識(shí)星球
開(kāi)始面向外開(kāi)放啦??????



下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺(jué)、目標(biāo)跟蹤、生物視覺(jué)、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目52講
在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車(chē)道線(xiàn)檢測(cè)、車(chē)輛計(jì)數(shù)、添加眼線(xiàn)、車(chē)牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺(jué)實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺(jué)。

下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺(jué)、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱(chēng)+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺(jué)SLAM“。請(qǐng)按照格式備注，否則不予通過(guò)。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~