做月亮的网站背景图片,宣传页模板,建设厅电工证查询网站官方网,海南省建设网站的公司目录 1.简介
2.基于单目相机的2D测量
2.1 想法#xff1a;
2.2 代码思路
2.2 主函数部分 1.简介
基于单目相机的2D测量技术在许多领域中具有重要的背景和意义。 工业制造#xff1a;在工业制造过程中#xff0c;精确测量是确保产品质量和一致性的关键。基于单目相机的2…目录 1.简介
2.基于单目相机的2D测量
2.1 想法
2.2 代码思路
2.2 主函数部分 1.简介
基于单目相机的2D测量技术在许多领域中具有重要的背景和意义。 工业制造在工业制造过程中精确测量是确保产品质量和一致性的关键。基于单目相机的2D测量技术可以用于检测和测量零件尺寸、位置、形状等参数进而实现自动化生产和质量控制。通过实时监测并反馈测量结果可以快速发现和纠正生产中的偏差提高产品的一致性和合格率。 计算机视觉单目相机作为计算机视觉的传感器之一能够捕捉并记录场景中的图像信息。基于单目相机的2D测量技术可以通过对图像进行处理和分析来提取目标物体的特征和参数。这种技术在目标检测、物体跟踪、姿态估计等计算机视觉任务中起着至关重要的作用。 地理测绘和导航基于单目相机的2D测量技术可以应用于地理测绘和导航领域。通过获取地面或航空图像并利用图像处理和计算机视觉算法可以实现地表特征的提取、地形建模、数字地图的生成等工作。这对于城市规划、农业管理、导航系统等方面具有重要的应用价值。 医学影像在医学领域基于单目相机的2D测量技术可以用于医学影像的分析和测量。通过对医学图像进行处理和分析可以提取器官、病灶的形状、大小、位置等信息辅助医生进行诊断和治疗决策。这种技术在影像学、放射学、眼科等医学专业中得到广泛应用。
综上所述基于单目相机的2D测量技术在工业制造、计算机视觉、地理测绘和导航、医学影像等领域都有着重要的背景和意义。它可以提高生产效率、产品质量推动科学研究和医学进步为各个领域带来更多的机遇和挑战。 2.基于单目相机的2D测量
2.1 想法
因为是静态测量所以核心测量算法使用仿射变换。
首先拿到参照物区域进行真实距离和像素距离的尺寸换算
在参照物区域找到物体轮廓进行多边形拟合对拟合到的物体进行测量
2.2 代码思路
代码思路的简要描述 导入所需的库包括cv2和自定义的utlis。 初始化一些变量如是否使用网络摄像机 (webcam)、图像路径 (path)、捕获对象 (cap)、图像缩放比例 (scale)、纸张宽度和高度 (wP 和 hP) 以及上一帧时间 (pTime)。 进入主循环。在每次循环中如果使用网络摄像机则读取图像帧否则从指定路径读取图像。 对图像进行轮廓检测获取所有检测到的轮廓 (conts) 和最大轮廓 (biggest)。 使用最大轮廓对图像进行透视变换 (warpImg)得到纸张的鸟瞰图 (imgWarp)。 对纸张鸟瞰图进行轮廓检测获取所有检测到的轮廓 (conts2)。 遍历每个轮廓对象绘制轮廓线和箭头并计算测量结果 (纸张宽度 nW 和高度 nH)。 在图像上绘制测量结果和帧率信息。 显示原始图像和处理后的图像。 等待按键继续下一次循环。
以上是代码的简要思路具体实现和功能可以参考代码中的注释。 关于复现你可以准备一张A4纸一张小卡片或者边缘信息明显的其他物件按照图片中方式摆放即可。
像素与真实距离换算为
3像素1mm
检测帧率可达30帧误差在2%误差取决相机分辨率缺点是无法检测轮廓不清晰的物件以及复杂物体。 下一篇介绍如何测量复杂形状的物体 2.2 主函数部分
import cv2
import utlis
import time###################################
webcam True # 网络摄像机一开始为FALSE
path 1.jpg
cap cv2.VideoCapture(0) # 使用捕获和cv定义相机-点点视频捕获我们将定义id因此在这种情况下为0
cap.set(10, 160) # 设置参数宽度高度亮度为他们中的每一根写入间隙点集具有不同的亮度id有十个所以将其保持为160然后在宽度和高度上宽度为31920
cap.set(3, 1920)
cap.set(4, 1080)
scale 3
wP 270 * scale
hP 370 * scale
###################################
pTime 0
while True:if webcam:success, img cap.read()else:img cv2.imread(path)imgContours, conts utlis.getContours(img, minArea50000, filter4)if len(conts) ! 0:biggest conts[0][2]# print(biggest)imgWarp utlis.warpImg(img, biggest, wP, hP)imgContours2, conts2 utlis.getContours(imgWarp,minArea2000, filter4,cThr[50, 50], drawFalse)if len(conts) ! 0:for obj in conts2:cv2.polylines(imgContours2, [obj[2]], True, (0, 255, 0), 2)nPoints utlis.reorder(obj[2])nW round((utlis.findDis(nPoints[0][0] // scale, nPoints[1][0] // scale) / 10), 1)nH round((utlis.findDis(nPoints[0][0] // scale, nPoints[2][0] // scale) / 10), 1)cv2.arrowedLine(imgContours2, (nPoints[0][0][0], nPoints[0][0][1]),(nPoints[1][0][0], nPoints[1][0][1]),(255, 0, 255), 3, 8, 0, 0.05)cv2.arrowedLine(imgContours2, (nPoints[0][0][0], nPoints[0][0][1]),(nPoints[2][0][0], nPoints[2][0][1]),(255, 0, 255), 3, 8, 0, 0.05)x, y, w, h obj[3]cv2.putText(imgContours2, {}cm.format(nW), (x 30, y - 10), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1.5,(255, 0, 255), 2)cv2.putText(imgContours2, {}cm.format(nH), (x - 70, y h // 2), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1.5,(255, 0, 255), 2)cTime time.time()fps 1 / (cTime - pTime)pTime cTimecv2.putText(imgContours2, str(int(fps)), (10, 70), cv2.FONT_HERSHEY_PLAIN, 3,(255, 0, 255), 3)# 图像预处理及边缘检测cv2.imshow(A4, imgContours2)img cv2.resize(img, (0, 0), None, 0.5, 0.5)cv2.imshow(Original, img)cv2.waitKey(1)
utlis模块代码
import cv2
import numpy as np
import math
import time
def getContours(img, cThr[100, 100], showCannyFalse, minArea5000, filter0, drawFalse):# 将输入图像转换为灰度图像imgGray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 对灰度图像进行高斯模糊imgBlur cv2.GaussianBlur(imgGray, (5, 5), 1)# 使用Canny边缘检测算法得到边缘图像imgCanny cv2.Canny(imgBlur, cThr[0], cThr[1])# 对Canny边缘图像进行膨胀操作kernel np.ones((5, 5))imgDial cv2.dilate(imgCanny, kernel, iterations3)# 对膨胀后的图像进行腐蚀操作imgThre cv2.erode(imgDial, kernel, iterations1)# gray cv2.cvtColor(img, 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)# 寻找图像中的轮廓contours, hierarchy cv2.findContours(imgThre, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)finalContours []for i in contours:area cv2.contourArea(i)# 仅保留面积大于minArea的轮廓if area minArea:peri cv2.arcLength(i, True)approx cv2.approxPolyDP(i, 0.02 * peri, True)bbox cv2.boundingRect(approx)if filter 0:# 如果指定了过滤条件仅保留满足条件的轮廓if len(approx) filter:finalContours.append([len(approx), area, approx, bbox, i])else:finalContours.append([len(approx), area, approx, bbox, i])# 根据面积对轮廓进行排序finalContours sorted(finalContours, keylambda x: x[1], reverseTrue)if draw:# 将保留的轮廓在原始图像上绘制出来for con in finalContours:cv2.drawContours(img, con[4], -1, (0, 0, 255), 3)return img, finalContoursdef dectshow(org_img, boxs):img org_img.copy()for box in boxs:cv2.rectangle(img, (int(box[0]), int(box[1])), (int(box[2]), int(box[3])), (0, 255, 0), 2)x1 box[0]y1 box[1]x2 box[2]y2 box[3]cv2.circle(img, (x1, y1), 5, (0, 0, 255), -1) # 红色圆点cv2.circle(img, (x2, y1), 5, (0, 255, 0), -1) # 绿色圆点cv2.circle(img, (x2, y2), 5, (255, 0, 0), -1) # 蓝色圆点point1 [x1, y1]point2 [x2, y1]point3 [x2, y2]width math.sqrt((point2[0] - point1[0]) ** 2 (point2[1] - point1[1]) ** 2)height math.sqrt((point3[0] - point2[0]) ** 2 (point3[1] - point2[1]) ** 2)width width/3height height/3# cv2.imshow(1, img)# 计算两点之间的距离print(宽 is:, width, m)print(长 is:, height, m)cv2.putText(img, fW: {str(width)[:4] }mm H: {str(height)[:4]}mm, (int(box[0]), int(box[1]) - 40), cv2.FONT_HERSHEY_SIMPLEX, 0.5,(0, 255, 0), 2)cv2.imshow(dec_img, img)return img# 对角点排序函数
def reorder(myPoints):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, axis1)myPointsNew[1] myPoints[np.argmin(diff)]myPointsNew[2] myPoints[np.argmax(diff)]return myPointsNew# 透视变换函数
def warpImg(img, points, w, h, pad20):points reorder(points)pts1 np.float32(points)pts2 np.float32([[0, 0], [w, 0], [0, h], [w, h]])matrix cv2.getPerspectiveTransform(pts1, pts2)imgWarp cv2.warpPerspective(img, matrix, (w, h))imgWarp imgWarp[pad:imgWarp.shape[0] - pad, pad:imgWarp.shape[1] - pad]return imgWarp# 计算两点之间的距离
def findDis(pts1, pts2):return ((pts2[0] - pts1[0]) ** 2 (pts2[1] - pts1[1]) ** 2) ** 0.5
