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：

1. 读入一张图片，该图片中包含需要进行测量的物体

2. 对图片进行边缘检测，找到所有的轮廓

3. 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

4. 对该物体进行透视变换，将其变成一个矩形

5. 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

6. 将高度和宽度转换成实际尺寸，并在图片上标注出来

7. 将结果显示在屏幕上。

二，实现流程

1. 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 imgWrap

6.    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) ** 0.5

7.   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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。