python opencv实时显示测量数据_Python+Opencv测量物体之间的距离

# coding=utf-8

# 导入一些后续需要使用到的python包

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

# 定义一个中点函数，计算两个(x，y)坐标之间的中点

def midpoint(a, b):

return (a[0]+b[0])*0.5, (a[1]+b[1])*0.5

# 设置一些需要改变的参数

args = {'image': 'c.png', 'width': 0.9}

# 读取输入图片

image = cv2.imread(args["image"])

# 输入图片灰度化

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用高斯过滤器平滑它

gray = cv2.GaussianBlur(gray, (7, 7), 0)

# 对滤波结果做边缘检测获取目标

edged = cv2.Canny(gray, 50, 100)

# 使用膨胀和腐蚀操作进行闭合对象边缘之间的间隙

edged = cv2.dilate(edged, None, iterations=1)

edged = cv2.erode(edged, None, iterations=1)

# 在边缘图像中寻找物体轮廓(即物体)

cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cnts = imutils.grab_contours(cnts)

# 对轮廓按照从左到右进行排序处理

(cnts, _) = contours.sort_contours(cnts)

# 初始化 'pixels per metric'

pixelsPerMetric = None

# 循环遍历每一个轮廓

for c in cnts:

# 如果当前轮廓的面积太少，认为可能是噪声，直接忽略掉

if cv2.contourArea(c) < 100:

continue

# 根据物体轮廓计算出外切矩形框

orig = image.copy()

box = cv2.minAreaRect(c)

box = cv2.cv.BoxPoints(box) if imutils.is_cv2() else cv2.boxPoints(box)

box = np.array(box, dtype="int")

# 按照top-left, top-right, bottom-right, bottom-left的顺序对轮廓点进行排序，并绘制外切的BB，用绿色的线来表示

box = perspective.order_points(box)

cv2.drawContours(orig, [box.astype("int")], -1, (0, 255, 0), 2)

# 绘制BB的4个顶点，用红色的小圆圈来表示

for (x, y) in box:

cv2.circle(orig, (int(x), int(y)), 5, (0, 0, 255), -1)

# 分别计算top-left 和top-right的中心点和bottom-left 和bottom-right的中心点坐标

(tl, tr, br, bl) = box

(tltrX, tltrY) = midpoint(tl, tr)

(blbrX, blbrY) = midpoint(bl, br)

# 分别计算top-left和top-right的中心点和top-righ和bottom-right的中心点坐标

(tlblX, tlblY) = midpoint(tl, bl)

(trbrX, trbrY) = midpoint(tr, br)

# 绘制BB的4条边的中心点，用蓝色的小圆圈来表示

cv2.circle(orig, (int(tltrX), int(tltrY)), 5, (255, 0, 0), -1)

cv2.circle(orig, (int(blbrX), int(blbrY)), 5, (255, 0, 0), -1)

cv2.circle(orig, (int(tlblX), int(tlblY)), 5, (255, 0, 0), -1)

cv2.circle(orig, (int(trbrX), int(trbrY)), 5, (255, 0, 0), -1)

# 在中心点之间绘制直线，用紫红色的线来表示

cv2.line(orig, (int(tltrX), int(tltrY)), (int(blbrX), int(blbrY)),

(255, 0, 255), 2)

cv2.line(orig, (int(tlblX), int(tlblY)), (int(trbrX), int(trbrY)),

(255, 0, 255), 2)

# 计算两个中心点之间的欧氏距离，即图片距离

dA = dist.euclidean((tltrX, tltrY), (blbrX, blbrY))

dB = dist.euclidean((tlblX, tlblY), (trbrX, trbrY))

# 初始化测量指标值，参考物体在图片中的宽度已经通过欧氏距离计算得到，参考物体的实际大小已知

if pixelsPerMetric is None:

pixelsPerMetric = dB / args["width"]

# 计算目标的实际大小(宽和高)，用英尺来表示

dimA = dA / pixelsPerMetric

dimB = dB / pixelsPerMetric

# 在图片中绘制结果

cv2.putText(orig, "{:.1f}in".format(dimA),

(int(tltrX - 15), int(tltrY - 10)), cv2.FONT_HERSHEY_SIMPLEX,

0.65, (255, 255, 255), 2)

cv2.putText(orig, "{:.1f}in".format(dimB),

(int(trbrX + 10), int(trbrY)), cv2.FONT_HERSHEY_SIMPLEX,

0.65, (255, 255, 255), 2)

# 显示结果

cv2.imshow("Image", orig)

cv2.waitKey(0)