計(jì)算物體之間的距離與計(jì)算圖像中物體的大小算法思路非常相似——都是從參考對(duì)象開(kāi)始的。我們將使用0.25美分作為我們的參考對(duì)象，它的寬度為0.955英寸。

并且我們還將0.25美分總是放在圖片最左側(cè)使其容易識(shí)別。這樣它就滿(mǎn)足了我們上面提到的參考對(duì)象的兩個(gè)特征。

我們的目標(biāo)是找到0.25美分，然后利用0.25美分的尺寸來(lái)測(cè)量0.25美分硬幣與所有其他物體之間的距離。

定義參考對(duì)象并計(jì)算距離

打開(kāi)一個(gè)新文件，將其命名為distance_between.py，插入以下代碼：

# 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 + ptB) * 0.5, (ptA + ptB) * 0.5)

# construct the argument parse and parse the arguments

ap = argparse.ArgumentParser()

ap.add_argument("-i", "--image", required=True,

  help="path to the input image")

ap.add_argument("-w", "--width", type=float, required=True,

  help="width of the left-most object in the image (in inches)")

args = vars(ap.parse_args())

我們這里的代碼與上周的代碼幾乎相同。我們從在第2-8行上導(dǎo)入所需的Python包開(kāi)始。

第12-17行解析命令行參數(shù)。這里我們需要兩個(gè)參數(shù)：——image，它是包含我們想要測(cè)量的對(duì)象的輸入圖像的路徑，以及——width，為我們參考對(duì)象的寬度(單位為英寸)。接下來(lái)，我們需要對(duì)圖像進(jìn)行預(yù)處理：

# load the image, convert it to grayscale, and blur it slightly

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

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

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

# perform edge detection, then perform a dilation + erosion to

# close gaps in between object edges

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

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

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

# find contours in the edge map

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

  cv2.CHAIN_APPROX_SIMPLE)

cnts = imutils.grab_contours(cnts)

# sort the contours from left-to-right and, then initialize the

# distance colors and reference object

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

colors = ((0, 0, 255), (240, 0, 159), (0, 165, 255), (255, 255, 0),

  (255, 0, 255))

refObj = None

第2-4行從磁盤(pán)加載圖像，將其轉(zhuǎn)換為灰度圖，然后使用7 x 7內(nèi)核的高斯濾波器對(duì)其進(jìn)行模糊降噪。

當(dāng)我們的圖像被模糊后，我們應(yīng)用Canny邊緣檢測(cè)器來(lái)檢測(cè)圖像中的邊緣，然后進(jìn)行膨脹+腐蝕來(lái)縮小邊緣圖中的縫隙(第7-9行)。

調(diào)用cv2.findContours檢測(cè)邊緣圖中對(duì)象的輪廓(第11-13行)，而第16行從左到右對(duì)輪廓進(jìn)行排序。由于我們知道0.25美分(即參考對(duì)象)將始終是圖像中最左邊，因此從左到右對(duì)輪廓進(jìn)行排序可以確保與參考對(duì)象對(duì)應(yīng)的輪廓始終是cnts列表中的第一個(gè)。

然后，我們初始化用于繪制距離的colors列表以及refObj變量，該變量將存儲(chǔ)參考對(duì)象的邊界框、質(zhì)心和pixels-per-metric值（看上一篇就明白pixels-per-metric的具體定義，其實(shí)就是參考對(duì)象的實(shí)際大�。▎挝挥⒋纾┡c圖片中的寬度（單位為像素）的比值）。

# loop over the contours individually

for c in cnts:

  # if the contour is not sufficiently large, ignore it

if cv2.contourArea(c) < 100:

continue

  # compute the rotated bounding box of the contour

box = cv2.minAreaRect(c)

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

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

  # order the points in the contour such that they appear

  # in top-left, top-right, bottom-right, and bottom-left

  # order, then draw the outline of the rotated bounding

  # box

box = perspective.order_points(box)

  # compute the center of the bounding box

cX = np.average(box[:, 0])

cY = np.average(box[:, 1])

在第2行，我們開(kāi)始對(duì)cnts列表中的每個(gè)輪廓進(jìn)行循環(huán)。如果輪廓比較小(第4和5行)，我們認(rèn)為是噪聲并忽略它。

然后，第7-9行計(jì)算當(dāng)前對(duì)象的最小旋轉(zhuǎn)包圍框。

第14行上調(diào)用order_points函數(shù)（此系列第一篇定義的函數(shù)）來(lái)對(duì)矩形框四個(gè)頂點(diǎn)以左上角、右上角、右下角和左下角的順序排列，我們將看到，在計(jì)算物體之間的距離時(shí)，這一點(diǎn)非常重要。

第16行和第17行通過(guò)取邊界框在x和y方向上的平均值來(lái)計(jì)算旋轉(zhuǎn)后的邊界框的中心(x, y)坐標(biāo)。

下一步是校準(zhǔn)我們的refObj：

# if this is the first contour we are examining (i.e.,

# the left-most contour), we presume this is the

# reference object

if refObj is None:

# unpack the ordered bounding box, then compute the

# midpoint between the top-left and top-right points,

# followed by the midpoint between the top-right and

# bottom-right

    (tl, tr, br, bl) = box

    (tlblX, tlblY) = midpoint(tl, bl)

    (trbrX, trbrY) = midpoint(tr, br)

# compute the Euclidean distance between the midpoints,

# then construct the reference object

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

    refObj = (box, (cX, cY), D / args["width"])

continue

如果refObj為None(第4行)，則需要對(duì)其進(jìn)行初始化。

我們首先獲取(排序后的)最小旋轉(zhuǎn)邊界框坐標(biāo)，并分別計(jì)算四個(gè)頂點(diǎn)之間的中點(diǎn)(第10-15行)。

然后計(jì)算中點(diǎn)之間的歐氏距離，給出我們的“像素/尺寸”比例，來(lái)確定一英寸為多少像素寬度。

最后，我們將refObj實(shí)例化為一個(gè)3元組，包括：

物體對(duì)象的最小旋轉(zhuǎn)矩形對(duì)象box

參考對(duì)象的質(zhì)心。

像素/寬度比例，我們將用其來(lái)結(jié)合物體之間的像素距離來(lái)確定物體之間的實(shí)際距離。

大林上位機(jī)機(jī)器視覺(jué)_蘇州機(jī)器視覺(jué)培訓(xùn)_蘇州上位機(jī)培訓(xùn)_蘇州工業(yè)機(jī)器人培訓(xùn)__蘇州電工培訓(xùn)_蘇州PLC培訓(xùn)最適合電工及plc編程人員學(xué)習(xí)的上位機(jī)機(jī)器視覺(jué)課程 大林老師：15861139266（微信同號(hào)）

下一個(gè)代碼塊負(fù)責(zé)繪制參考對(duì)象和當(dāng)前檢查對(duì)象的輪廓，然后定義變量refCoords和objCoords，這樣(1)最小包圍矩陣坐標(biāo)和(2)質(zhì)心的(x, y)坐標(biāo)都包含在同一個(gè)數(shù)組中：

# draw the contours on the image

orig = image.copy()

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

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

# stack the reference coordinates and the object coordinates

# to include the object center

  refCoords = np.vstack([refObj, refObj])

  objCoords = np.vstack([box, (cX, cY)])

現(xiàn)在我們可以開(kāi)始計(jì)算圖像中各個(gè)物體的質(zhì)心和質(zhì)心之間的距離了：

# loop over the original points

for ((xA, yA), (xB, yB), color) in zip(refCoords, objCoords, colors):

# draw circles corresponding to the current points and

# connect them with a line

    cv2.circle(orig, (int(xA), int(yA)), 5, color, -1)

    cv2.circle(orig, (int(xB), int(yB)), 5, color, -1)

    cv2.line(orig, (int(xA), int(yA)), (int(xB), int(yB)),

      color, 2)

# compute the Euclidean distance between the coordinates,

# and then convert the distance in pixels to distance in

# units

    D = dist.euclidean((xA, yA), (xB, yB)) / refObj

    (mX, mY) = midpoint((xA, yA), (xB, yB))

    cv2.putText(orig, "{:.1f}in".format(D), (int(mX), int(mY - 10)),

      cv2.FONT_HERSHEY_SIMPLEX, 0.55, color, 2)

# show the output image

    cv2.imshow("Image", orig)

    cv2.waitKey(0)

在第2行，我們開(kāi)始對(duì)圖片中物體對(duì)象的頂點(diǎn)(x, y)坐標(biāo)進(jìn)行循環(huán)。

然后我們畫(huà)一個(gè)圓表示我們正在計(jì)算距離的當(dāng)前點(diǎn)坐標(biāo)，并畫(huà)一條線(xiàn)連接這些點(diǎn)(第5-7條線(xiàn))。

然后，第12行計(jì)算參考位置和對(duì)象位置之間的歐式距離，然后除以“像素/度量”，得到兩個(gè)對(duì)象之間的實(shí)際距離(以英寸為單位)。然后在圖像上標(biāo)識(shí)出計(jì)算的距離(第13-15行)。

距離測(cè)量結(jié)果

下面是一個(gè)GIF動(dòng)畫(huà)，演示了我們的程序運(yùn)行效果：

在每種情況下，我們的腳本都匹配左上(紅色)、右上(紫色)、右下(橙色)、左下(藍(lán)綠色)和質(zhì)心(粉色)坐標(biāo)，然后計(jì)算參考對(duì)象和當(dāng)前對(duì)象之間的距離(以英寸為單位)。

注意圖像中的兩個(gè)0.25美分完全平行，這意味著所有五個(gè)頂點(diǎn)之間的距離均為6.1英寸。

下面是第二個(gè)例子，這次計(jì)算的是參考對(duì)象和藥丸之間的距離：

這個(gè)例子可以作為藥片分類(lèi)機(jī)器人的輸入，自動(dòng)獲取一組藥片，并根據(jù)它們的大小和與藥片容器的距離來(lái)組織它們。

最后一個(gè)例子計(jì)算了我們的參考對(duì)象(一張3.5英寸x 2英寸的名片)和一組7英寸的黑膠唱片和信封之間的距離：