Python+Opencv實(shí)現(xiàn)物體尺寸測(cè)量的方法詳解
1、效果展示
我們將以兩種方式來(lái)展示我們這個(gè)項(xiàng)目的效果。
下面這是視頻的實(shí)時(shí)檢測(cè)，我分別用了盒子和蓋子來(lái)檢測(cè)，按理來(lái)說(shuō)效果不應(yīng)該怎么差的，但我實(shí)在沒(méi)有找到合適的背景與物體。且我的攝像頭使用的是外設(shè)，我不得不手持，所以存在一點(diǎn)點(diǎn)的抖動(dòng)，但我可以保證，它是缺少了適合檢測(cè)物體與背景。
我使用手機(jī)拍了一張照片并經(jīng)過(guò)了ps修改了背景，效果不錯(cuò)。
2、項(xiàng)目介紹
本項(xiàng)目中，我將選用A4紙張為背景，找到放在該區(qū)域中對(duì)象的長(zhǎng)、寬。打印出相關(guān)的數(shù)值。
3、項(xiàng)目搭建
所有的資源，你都可以在我的GitHub上找到，我將在末尾附上鏈接
4、utils.py文件代碼展示與講解
在項(xiàng)目當(dāng)中，我將引入utils，而utils是適用于在我們項(xiàng)目中所寫的的文件。有了對(duì)它的理解能幫助我們更好的理解本項(xiàng)目，所以我覺(jué)得有必要在此敘述一番。
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
接下來(lái)，我將按照慣例講解，我們就以每個(gè)函數(shù)的意義來(lái)講。
1.getContours()函數(shù)，曾在我以前的博客中出現(xiàn)過(guò)。正如它的命名，我們是為了得到輪廓。將原始圖像依次經(jīng)過(guò)這些轉(zhuǎn)化：灰度圖像、高斯模糊、canny檢測(cè)邊緣、膨脹、侵蝕等。 cv2.findContours()從圖像ROI中提取輪廓，然后在整個(gè)圖像上下文中分析輪廓，參數(shù)cv2.RETR_EXTERNAL將會(huì)獲取外部邊緣；
cv2.contourArea()計(jì)算輪廓面積；
cv2.contourArea()計(jì)算輪廓周長(zhǎng)或曲線長(zhǎng)度；
cv2.approxPolyDP()以指定精度近似多邊形曲線;
cv2.boundingRect()函數(shù)計(jì)算并返回指定點(diǎn)集或灰度圖像非零像素的最小右上邊界矩形;
之后用finalCountours這個(gè)空列表來(lái)接受我們需要用到的信息，再對(duì)其輪廓的大小進(jìn)行排序，因?yàn)槲覀冃枰氖亲畲蟮倪吔缈颉?
cv2.drawContours()繪制輪廓輪廓或填充輪廓，最后返回img, finalCountours。
2.reorder函數(shù)，myPointsNew = np.zeros_like(myPoints)，返回與myPoints具有相同形狀和類型的零數(shù)組，在打印了myPoints.shape，它所返回的值是(4,1,2)，不難理解，4指的是四個(gè)點(diǎn)，2指的是x,y，我們不需要中間的1，所以要對(duì)其進(jìn)行重塑。np.argmin返回沿軸的最小值的索引，np.argmax返回沿軸的最大值的索引。所以此函數(shù)的作用是將順序改為最下面的順序。
4.warpImg()函數(shù)，其實(shí)就是透視變換，詳細(xì)的函數(shù)可以回頭復(fù)習(xí)一下Opencv的文檔，我在此不做多的講述。
5.findDis()函數(shù)我們用一張圖來(lái)解釋，個(gè)人手繪：
5、項(xiàng)目代碼展示與講解
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，本項(xiàng)目的代碼我看了一下，將utils.py文件看懂之后，不難理解，所以本項(xiàng)目我就不仔細(xì)講解了。
6、項(xiàng)目資源
7、項(xiàng)目總結(jié)
本項(xiàng)目主要是運(yùn)用了之前掃描文檔的思想，以A4紙為背景，檢測(cè)其中區(qū)域的物體長(zhǎng)和寬。我的攝像頭無(wú)法固定，所以是手持的，且由于我在寢室里面是真的沒(méi)有找到合適的測(cè)量物體以及背景色（全是米色或原木色的）。所以效果有所欠缺，但經(jīng)過(guò)ps修改的圖片，檢測(cè)的效果還是很不錯(cuò)的。
以上就是Python+Opencv實(shí)現(xiàn)物體尺寸測(cè)量的方法詳解的詳細(xì)內(nèi)容，更多關(guān)于Python Opencv物體尺寸測(cè)量的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python實(shí)現(xiàn)自動(dòng)玩貪吃蛇程序
這篇文章主要介紹了通過(guò)Python實(shí)現(xiàn)的簡(jiǎn)易的自動(dòng)玩貪吃蛇游戲的小程序，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以跟隨小編一起學(xué)一學(xué)2022-01-01
chainMap是邏輯上合并兩個(gè)字典為一個(gè)邏輯單元，合并后的結(jié)構(gòu)實(shí)際上是一個(gè)列表，只是邏輯上是仍然為一個(gè)字典（并未生成新的），對(duì)此列表的操作模擬了各種字典的操作，這篇文章主要介紹了python?ChainMap的使用,需要的朋友可以參考下2023-03-03
Flask實(shí)現(xiàn)跨域請(qǐng)求的處理方法
這篇文章主要介紹了Flask實(shí)現(xiàn)跨域請(qǐng)求的處理方法，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-09-09
Python深度學(xué)習(xí)pytorch實(shí)現(xiàn)圖像分類數(shù)據(jù)集
這篇文章主要為大家講解了關(guān)于Python深度學(xué)習(xí)中pytorch實(shí)現(xiàn)圖像分類數(shù)據(jù)集的示例解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助2021-10-10
python爬取股票最新數(shù)據(jù)并用excel繪制樹(shù)狀圖的示例
這篇文章主要介紹了python爬取股票最新數(shù)據(jù)并用excel繪制樹(shù)狀圖的示例，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-03-03
這篇文章主要介紹了pytorch固定BN層參數(shù)的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
Python爬蟲(chóng)中urllib庫(kù)的進(jìn)階學(xué)習(xí)
本篇文章主要介紹了Python爬蟲(chóng)中urllib庫(kù)的進(jìn)階學(xué)習(xí)內(nèi)容，對(duì)此有興趣的朋友趕緊學(xué)習(xí)分享下。2018-01-01
Python中拆分具有多個(gè)分隔符的字符串方法實(shí)例
str.split()是Python中字符串類型的一個(gè)方法,可以用來(lái)將字符串按照指定的分隔符分割成多個(gè)子字符串,這篇文章主要給大家介紹了關(guān)于Python中拆分具有多個(gè)分隔符的字符串的相關(guān)資料,需要的朋友可以參考下2023-04-04
簡(jiǎn)單談?wù)凱ython中的元祖（Tuple）和字典（Dict）
這篇文章主要介紹了關(guān)于Python中元祖（Tuple）和字典（Dict）的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，相信對(duì)大家具有一定的參考價(jià)值，需要的朋友們下面來(lái)一起看看吧。2017-04-04
最詳細(xì)的python工具Anaconda+Pycharm安裝教程
這篇文章主要介紹了最詳細(xì)的python工具Anaconda+Pycharm安裝教程,文中有非常詳細(xì)的圖文示例,對(duì)不會(huì)安裝的小伙伴們有很好的幫助,需要的朋友可以參考下2021-04-04