以下是一个使用Python和OpenCV库来检测图片中物体尺寸的代码示例。我们将通过边缘检测、轮廓提取等步骤找到物体，并将像素大小转换为真实尺寸大小。假设我们有一个已知的真实世界参考物（如一个标尺或已知尺寸的物体）。 ### Python代码实现 ```python import cv2 import numpy as np # 已知参考物的宽度（单位：毫米） KNOWN_WIDTH = 50.0 # 假设参考物宽度为50mm # 图片中参考物的像素宽度 def find_marker(image): # 将图像转换为灰度图并进行模糊处理 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 使用Canny边缘检测算法检测边缘 edged = cv2.Canny(blurred, 35, 125) # 查找轮廓 contours, _ = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 假设最大的轮廓是参考物 c = max(contours, key=cv2.contourArea) # 计算最小包围矩形 return cv2.minAreaRect(c) # 根据已知参考物的宽度和像素宽度计算比例 def distance_to_camera(knownWidth, focalLength, perWidth): return (knownWidth * focalLength) / perWidth # 加载图像 image = cv2.imread("object_image.jpg") # 替换为你的图片路径 # 获取参考物的像素宽度 marker = find_marker(image) focalLength = 800 # 假设焦距为800像素（需要根据实际情况调整） # 计算物体的实际宽度 inches = distance_to_camera(KNOWN_WIDTH, focalLength, marker[1][0]) # 在图像上绘制结果 box = cv2.cv.BoxPoints(marker) if hasattr(cv2, 'cv') else cv2.boxPoints(marker) box = np.int0(box) cv2.drawContours(image, [box], -1, (0, 255, 0), 2) # 显示结果 cv2.putText(image, "%.2f mm" % inches, (image.shape[1] - 300, image.shape[0] - 20), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (0, 255, 0), 3) cv2.imshow("Image", image) cv2.waitKey(0) ``` ### 上述代码解释 1. **加载图片**：使用`cv2.imread()`函数读取图片。 2. **灰度化与模糊处理**：将图片转换为灰度图，并使用高斯模糊减少噪声。 3. **边缘检测**：通过Canny算法检测图像中的边缘。 4. **查找轮廓**：使用`cv2.findContours()`函数查找图像中的轮廓，假设最大的轮廓是参考物。 5. **计算最小包围矩形**：使用`cv2.minAreaRect()`获取参考物的最小包围矩形。 6. **计算实际尺寸**：通过已知的参考物宽度和像素宽度计算比例，从而推算出物体的实际尺寸。 7. **绘制结果**：在图像上绘制物体的边界框，并显示其实际尺寸。 ### 注意事项 - `KNOWN_WIDTH`需要根据实际情况设置，例如参考物的真实宽度。 - `focalLength`需要通过校准获得，或者根据经验设定。 - 如果没有参考物，则无法直接将像素大小转换为真实尺寸。 ###