(OpenCV)图像目标尺寸检测

  本文翻译自pyimagesearch技术博客上的一篇文章，《Measuring size of objects in an image with OpenCV》，原文作者：Adrian Rosebrock 。

https://www.pyimagesearch.com/2016/03/28/measuring-size-of-objects-in-an-image-with-opencv/

  有那么很长一段时间，PyImage Search博客上的小伙伴都在强烈呼吁有关图像目标尺寸检测的博客文档，好了，你们如愿以偿了，我也很高兴能在PyImage Search博客上发布这篇文章并与你分享它。

  关于图像目标检测我写成了三部分，今天介绍的内容选自我所写的第二部分，主要是关于测量图像中物体大小和计算它们之间的距离。

  上周，我们学习了一项重要的技术：如何可靠有效地让旋转的边界框在左上角、右上角、右下角和左下角排列。今天，我们将利用这种技术来帮助我们计算图像中物体的大小。一定要通读整篇文章，看看它是怎么做的！

  图像目标尺寸检测类似于计算从我们的相机到一个物体的距离——在这两种情况下，我们都需要事先定义一个比率来测量每个给定度量单位的像素数（pixels_per_metric）。在这里所说的这个被称为“pixels_per_metric”的比率指标，我在接下来的部分中对其更正式的定义。

pixels_per_metric

  为了确定图像中物体的大小，我们首先需要使用一个参照物作为“校准”点。我们的参照物应该有两个重要的属性：

1、我们应该知道这个物体的真实尺寸（在宽度或高度上的毫米或英寸等值的大小）。

2、我们应该能够轻松地在图片中找到这个参照物，要么基于参照物的位置(如，参照物可以是一副图像中左上角的物体)或基于参照物的外表(例如参照物可以是图片中具有最独特的颜色或独一无二的形状，不同于所有其他的物体)。一句话而言：在任何一种情况下，我们的参照物都应该是以某种方式进行唯一可识别的The One。

  在第1个例子中，我们将使用美分硬币作为我们的参照物，正如你阅读后续其他例子时所看到的，我总是选择图像中最左侧的物体作为参照物。

图1：我们将使用一个美分硬币作为我们的参照物，并确保它总是被放置在图像中最左边，这使得我们可以通过对它们位置的轮廓大小进行排序，进一步来提取信息。

  通过保证这个美分硬币是最左边的物体后，我们可以从左到右对我们的物体等高线区域进行排列，抓住这个硬币（它将始终对应于排序列表中的第一个等高线区域），并使用它来定义我们的pixels_per_metric比率，我们将其定义为：

pixels_per_metric =物体像素宽 / 物体真实宽

  美分硬币的真实宽度是0.955英寸。现在，假设我们图像中硬币的像素宽为150像素（基于它的相关边界框）。那么这种情况下pixels_per_metric这样计算：
pixels_per_metric = 150px / 0.955in = 157px
因此，在我们这幅图像中，每英寸大约有157个像素。有了这个比率，我们可以计算图像中其他物体的大小了。

利用计算机视觉测量物体大小

  既然我们已经理解了pixels_per_metric，我们就可以实现用于测量图像中对象大小的Python程序脚本了。
打开一个新的py文件，插入以下代码：

# import the necessary packages
from scipy.spatial import distance as dist
from imutils import perspective
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2

def midpoint(ptA, ptB):
    return ((ptA[0] + ptB[0]) * 0.5, (ptA[1] + ptB[1]) * 0.5)

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
    help="