【opencv-python测量物体的实际大小】使用opencv-python测量物体的实际大小

效果

第一步，进行轮廓提取，将图片转化为灰度图，然后进行高斯模糊，模糊后提取轮廓，然后进行膨胀收缩使轮廓更加的清晰

def getContours(img):
    img = cv2.resize(img, (0, 0), None, 0.5, 0.5)
    imgG = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    imgBlur = cv2.GaussianBlur(imgG,(5,5),1)
    imgCanny = cv2.Canny(imgBlur,100,100)
    kernel = np.ones((5,5))
    imgDial = cv2.dilate(imgCanny,kernel,iterations=3)
    imgThre = cv2.erode(imgDial,kernel,iterations=2)
    cv2.imshow('img',img)
    cv2.imshow('res',imgCanny)
    cv2.imshow('res2',imgThre)

getContours(img)
cv2.waitKey(0)

第二步，找出最大轮廓

用到的函数

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]]) → image, contours, hierarchy

image-寻找轮廓的图像；
mode-轮廓的检索模式：cv2.RETR_EXTERNAL表示只检测外轮廓
method cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

contourArea()函数的作用：主要用于计算图像轮廓的面积。

arcLength()函数的作用:主要是计算图像轮廓的周长

approxPolyDP(InputArray curve, OutputArray approxCurve, double epsilon, bool closed)
主要功能是把一个连续光滑曲线折线化，对图像轮廓点进行多边形拟合

InputArray curve:一般是由图像的轮廓点组成的点集
OutputArray approxCurve：表示输出的多边形点集
double epsilon：主要表示输出的精度，就是另个轮廓点之间最大距离数，5,6,7，，
bool closed：表示输出的多边形是否封闭

boundingRect函数
函数作用：计算轮廓的垂直边界最小矩形，矩形是与图像上下边界平行的

    contours, hiearchy = cv2.findContours(imgThre,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    finalCountours = []
    for i in contours:
        area = cv2.contourArea(i)
        if area> minArea:
            # 计算轮廓的周长，true表示轮廓为封闭
            peri = cv2.arcLength(i,True)
            #进行轮廓的多边拟合
            appprox = cv2.approxPolyDP(i,0.02*peri,True)
            bbox = cv2.boundingRect(appprox)
            if filter > 0 :
                if(len(appprox))==filter:
                    finalCountours.append([len(appprox),area,appprox,bbox,i])
            else:
                finalCountours.append([len(appprox), area, appprox, bbox, i])
    # 对第二个数值面积进行排序，为升序，找出轮廓的最大值
    finalCountours = sorted(finalCountours, key=lambda x: x[1], reverse=True)
    for con in finalCountours:
        cv2.drawContours(img, con[4], -1, (0, 0, 255), 3)

最大轮廓外表

第三步，得出的轮廓四角的顺序可能发生变化，因此需要将四角的坐标固定为矩形一种固定的顺序

这个函数为重新排序函数，无论给什么顺序的四角坐标，都能整理好！

def reorder(myPoints):
    #print(myPoints.shape)
    # zeros_like 输出为形状和x一致的矩阵，其元素全部为0
    myPointsNew = np.zeros_like(myPoints)
    myPoints = myPoints.reshape((4,2))
    add = myPoints.sum(1)
    myPointsNew[0] = myPoints[np.argmin(add)]
    myPointsNew[3] = myPoints[np.argmax(add)]
    diff = np.diff(myPoints,axis=