### 使用 OpenCV 和 Python 实现图像中物体尺寸测量 要实现图像中物体的尺寸测量，可以按照以下方法完成。这种方法涉及图像预处理、轮廓检测以及尺寸计算。 #### 方法概述 为了实现这一目标，通常会经历以下几个阶段的操作： 1. **加载并预处理图像** 预处理步骤可能包括灰度化、高斯模糊和边缘检测等操作，这些步骤有助于提高后续轮廓检测的效果[^2]。 2. **轮廓检测** 利用 `cv2.findContours` 函数找到图像中的所有轮廓，并筛选出感兴趣的区域。 3. **边界框计算与尺寸估计** 对每个轮廓计算其最小外接矩形或旋转矩形，从而得到物体的具体尺寸。 4. **结果显示** 将计算得出的结果标注在原图上，并展示最终效果。 以下是完整的代码示例，展示了如何利用上述流程来测量图像中物体的尺寸。 ```python import cv2 import numpy as np def measure_object_size(image_path, pixel_to_cm_ratio=1): """ 测量图像中物体的尺寸。 参数: image_path (str): 输入图像路径。 pixel_to_cm_ratio (float): 像素到厘米的比例因子，默认为 1。 返回: None: 显示带有尺寸标记的图像。 """ # 加载原始图像 original_image = cv2.imread(image_path) # 转换为灰度图像 gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY) # 应用高斯模糊减少噪声 blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0) # 边缘检测（Canny） edged_image = cv2.Canny(blurred_image, 30, 150) # 查找轮廓 contours, _ = cv2.findContours(edged_image.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 复制一份用于绘图 contour_drawn_image = original_image.copy() for cnt in contours: # 计算轮廓面积过滤掉较小的对象 area = cv2.contourArea(cnt) if area < 100: # 过滤掉过小的轮廓 continue # 获取包围盒 rect = cv2.minAreaRect(cnt) box = cv2.boxPoints(rect) box = np.intp(box) # 绘制包围盒 cv2.drawContours(contour_drawn_image, [box], -1, (0, 255, 0), 2) # 提取宽度和高度 width = int(rect[1][0]) / pixel_to_cm_ratio height = int(rect[1][1]) / pixel_to_cm_ratio # 添加文字说明 text = f"{width:.1f}cm x {height:.1f}cm" position = tuple(map(int, rect[0])) cv2.putText(contour_drawn_image, text, (position[0]-50, position[1]+20), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 0, 0), 2) # 展示结果 cv2.imshow("Measured Objects", contour_drawn_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 调用此函数时需提供输入图像路径及像素比例参数。例如： ```python measure_object_size('path/to/image.jpg', pixel_to_cm_ratio=30) # 根据实际情况调整比例 ``` --- #### 关键点解析 - **图像预处理的重要性**: 图像质量直接影响轮廓提取的成功率。因此，在执行任何分析之前，应先对图像进行必要的增强处理。 - **轮廓筛选机制**: 可以通过设置阈值（如面积大小）排除不重要的细节干扰项。 - **单位转换逻辑**: 如果希望获得真实世界的物理尺度，则需要提前定义好每像素对应多少实际长度单位的关系[^5]。 ---