第17篇｜OpenCV应用案例📏 物体尺寸测量

上一篇我们学习了水印添加与去除技巧，今天我们介绍一个升级场景——物体尺寸测量。无论是工业检测中的小型零件测量，还是日常中的文具、首饰测量，用OpenCV结合参考物，实现测量。

📌 需求分析

1. 工业检测： 小型零件（如螺丝、垫片、电子元件）的尺寸检测，判断零件是否符合规格；

2. 日常测量： 文具、首饰、小型生活用品的尺寸测量，拍摄图像，快速获取尺寸；

3. 电商场景： 商品尺寸标注，用于商品详情页标注。

📌 处理方式

物体尺寸测量的主要逻辑的是「像素比例换算」：

1. 准备参考物： 放置一个已知实际尺寸的参考物（如1元硬币，直径25mm；尺子，宽度10mm），与目标物体同屏拍摄；

2. 计算像素比例： 通过轮廓分析，提取参考物的像素尺寸（如硬币的像素直径），计算出“1mm对应多少像素”（像素比例=参考物像素尺寸÷参考物实际尺寸）；

3. 测量目标物体： 提取目标物体的像素大小（长宽），通过像素比例换算为实际尺寸（实际尺寸=目标物体像素尺寸÷像素比例）。

📌 所需处理方法

• 图像预处理： 高斯滤波去噪、灰度化、二值化，提升轮廓提取的准确性；

• 轮廓提取： 提取参考物和目标物体的轮廓，筛选有效轮廓；

• 几何形状分析： cv2.minEnclosingCircle()、cv2.boundingRect()函数，拟合参考物和目标物体的形状，获取像素大小。

📌 完整代码

import cv2
import numpy as np

def measure_object_size(
        img_path: str,
        ref_size: float = 25,
        ref_shape: str = "circle"
):
"""
    物体尺寸测量函数
    :param img_path: 包含参考物和目标物体的图像路径
    :param ref_size: 参考物实际尺寸（mm），默认硬币直径25mm
    :param ref_shape: 参考物形状（circle/rectangle），默认圆形
    """
# 1. 图像预处理
    img = cv2.imread(img_path)
    img_copy = img.copy()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯滤波去噪
    gray = cv2.GaussianBlur(gray, (5, 5), 0)
# 二值化（自适应阈值）
    _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 去除细小噪声
    kernel = np.ones((3, 3), np.uint8)
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2)

# 2. 提取轮廓
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 按纵坐标排序轮廓，让参考物位置在上方
    contours = sorted(contours, key=lambda c: cv2.boundingRect(c)[1])
    contours = [cnt for cnt in contours if cv2.contourArea(cnt) > 1000]

# 3. 计算像素比例（像素/mm）
    ref_pixel_size = 0
for cnt in contours:
# 拟合参考物形状
if ref_shape == "circle":
# 圆形拟合
            (x, y), radius = cv2.minEnclosingCircle(cnt)
            ref_pixel_size = 2 * radius
            cv2.circle(img_copy, (int(x), int(y)), int(radius), (0, 255, 0), 2)
            cv2.putText(
                img_copy,
f"Radius: {ref_size}mm", (int(x)-50, int(y)-20), 
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2
            )
break
elif ref_shape == "rectangle":
# 矩形拟合
            x, y, w, h = cv2.boundingRect(cnt)
            ref_pixel_size = w
            cv2.rectangle(img_copy, (x, y), (x+w, y+h), (0, 255, 0), 2)
            cv2.putText(img_copy, f"Width: {ref_size}mm", (x, y-20), 
                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
break

# 计算像素比例（1mm对应多少像素）
    pixel_per_mm = ref_pixel_size / ref_size

# 4. 测量目标物体尺寸
for i, cnt in enumerate(contours[1:]):  # 跳过参考物轮廓
# 拟合矩形，获取像素宽度和高度
        x, y, w, h = cv2.boundingRect(cnt)
# 换算为实际尺寸（mm），保留1位小数
        actual_w = round(w / pixel_per_mm, 1)
        actual_h = round(h / pixel_per_mm, 1)

# 绘制目标物体轮廓和尺寸
        cv2.rectangle(img_copy, (x, y), (x+w, y+h), (0, 0, 255), 2)
        cv2.putText(img_copy, f"Size: {actual_w}mm x {actual_h}mm", (x, y-20), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

# 5. 显示结果
    cv2.imshow("Result", img_copy)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 调用函数，测量物体尺寸（参考物为硬币，直径25mm）
measure_object_size(
    img_path="object_measure.png",  # 包含硬币和目标物体的图像
    ref_size=25,
    ref_shape="circle"
)

（从实验结果可以看出，计算结果会受到光线干扰的影响，例如下方矩形的光线阴影问题，导致其纵向的宽度计算并不是很精准）

📌 注意事项

• 测量误差大： 确保参考物和目标物体在同一平面，拍摄时保持镜头垂直于物体，避免倾斜；参考物尽量靠近目标物体，减少光线干扰；

• 难以提取轮廓： 调整二值化阈值，或增加形态学操作的迭代次数，确保轮廓清晰；

• 参考物识别错误： 确保参考物是图像中最明显的，或手动指定参考物轮廓；

• 尺寸显示异常： 检查参考物实际尺寸是否正确。

📌 第17篇小结+下篇预告

本篇我们掌握了物体尺寸测量的技巧，基于像素比例换算，结合参考物，实现了物体大小的测量。

下篇我们讲解本期最后一个OpenCV使用场景——视频人脸模糊。

往期回顾：