OpenCV实现单目相机检测物体尺寸

今夕是何年，

已于 2023-10-09 15:35:25 修改

阅读量1.2k

点赞数

分类专栏： OpenCV从入门到精通文章标签： opencv 人工智能单目相机计算机视觉 python 图像处理

于 2023-10-09 15:23:43 首次发布

本文链接：https://blog.csdn.net/qq_53545309/article/details/133703064

版权

OpenCV从入门到精通专栏收录该内容

46 篇文章 6 订阅

订阅专栏

步骤：

导入必要的库：cv2用于图像处理，numpy用于数组操作。
定义了一个函数preprocess，用于对图像进行预处理。首先将图像转换为灰度图，然后进行高斯模糊来平滑图像。接着使用腐蚀操作进一步去除噪声，并最后通过Canny边缘检测算法得到图像的边缘。
定义了一个函数get_object_contour，用于获取物体的轮廓并进行多边形逼近。它使用cv2.findContours函数来获取图像中的轮廓，并找出最大的轮廓。然后使用cv2.approxPolyDP进行多边形逼近，并绘制出逼近的多边形。
打开摄像头，创建VideoCapture对象。
进入循环，读取摄像头捕获的图像。
调用preprocess函数对图像进行预处理和边缘检测。
调用get_object_contour函数获取物体的轮廓并进行多边形逼近。
在原图上绘制出逼近的多边形。
显示处理后的图像。
如果按下ESC键，则退出循环。
释放摄像头和窗口。

这段代码可以实现实时检测物体边缘并进行可视化显示。您需要根据实际情况调整摄像头的索引（例如0表示默认摄像头，1表示外部摄像头）。

Canny边缘检测算法介绍：

Canny边缘检测算法是一种经典且广泛应用的图像边缘检测算法，由John F. Canny于1986年提出。它的主要目标是发现图像中最明显的边缘，并尽量减少误检和漏检。

Canny边缘检测算法的步骤如下：

高斯模糊（Gaussian Blur）：为了减少噪声对边缘检测的影响，首先对图像进行高斯模糊处理。高斯模糊通过使用一个高斯核函数对图像进行卷积操作，使得图像的细节被模糊化，从而平滑图像。
计算图像梯度（Gradient Computation）：使用Sobel算子计算图像在水平和垂直方向上的梯度值。梯度表示图像中像素强度变化最大的方向，可以用来定位边缘。
非极大值抑制（Non-maximum Suppression）：在图像的梯度方向上，对每个像素点进行非极大值抑制。这一步的目的是保留梯度变化最大的像素点，抑制其他像素点，进一步细化边缘。
双阈值处理和边缘连接（Double Thresholding and Edge Tracking）：根据设定的阈值，将梯度幅值分为强边缘、弱边缘和非边缘三个部分。其中，高于高阈值的像素被确定为强边缘，低于低阈值的像素被排除，而介于两个阈值之间的像素被标记为弱边缘。然后，通过强边缘像素附近连接的方式，将弱边缘像素与强边缘像素进行连接，形成完整的边缘。

Canny边缘检测算法利用了梯度和边缘灰度变化的特点，具有良好的准确性和较低的误检率。它在计算机视觉、图像处理等领域广泛应用，常用于目标检测、边缘提取、图像分割等任务。

多边形逼近

approx = cv2.approxPolyDP(max_contour, epsilon, True)

原理：

cv2.approxPolyDP是OpenCV中的一个函数，用于对轮廓进行多边形逼近。

多边形逼近的原理是通过使用Douglas-Peucker算法来近似表示一条曲线（即轮廓）为更简单的多边形。该算法会选择曲线上的关键点，并删除其中一些点，以保持逼近误差在可接受范围内。这样可以将复杂的曲线轮廓逼近为近似的多边形轮廓。

函数cv2.approxPolyDP的参数包括输入的轮廓、所需逼近的精度（即逼近的程度）以及布尔值closed用于指示是否封闭多边形。逼近的精度由一个称为ε（epsilon）的参数决定，它定义了逼近的最大距离。

首先，cv2.approxPolyDP会根据输入的轮廓计算出逼近的多边形轮廓。然后，根据逼近的结果，将多边形的顶点绘制在图像上。

通过调整逼近的精度参数ε，可以控制多边形逼近的程度。较小的ε会得到更接近原始轮廓的多边形，而较大的ε会得到更简化的多边形。

多边形逼近在图像处理中常用于边缘检测、轮廓分析、形状识别等任务。它可以将复杂的轮廓简化为更易处理的形状，并提取出物体的大致形状和结构信息。

代码实现：

import cv2
import numpy as np


def preprocess(image):
    # 进行图像预处理（例如灰度化、高斯模糊等）
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    kernal = np.ones((5, 5), np.uint8)
    blurred = cv2.erode(blurred, kernal)  # 腐蚀
    blurred = cv2.erode(blurred, kernal)
    edges = cv2.Canny(blurred, 50, 150)

    return edges


def get_object_contour(image):
    # 获取物体轮廓
    _, contours, _ = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if len(contours) > 0:
        # 找出最大的轮廓
        max_contour = max(contours, key=cv2.contourArea)
        # 进行多边形逼近
        epsilon = 0.02 * cv2.arcLength(max_contour, True)
        approx = cv2.approxPolyDP(max_contour, epsilon, True)
        # 绘制逼近的多边形
        cv2.drawContours(frame, [approx], 0, (0, 255, 0), 2)
        return approx
    return None


# 打开摄像头
cap = cv2.VideoCapture(1)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 图像预处理及边缘检测
    edges = preprocess(frame)

    # 获取物体轮廓并进行多边形逼近
    approx = get_object_contour(edges)

    # 显示图像
    cv2.imshow('Object Detection', frame)

    # 按下ESC键退出
    if cv2.waitKey(1) == 27:
        break

# 释放摄像头和窗口
cap.release()
cv2.destroyAllWindows()