深度学习如何用于测量图像中的尺寸

深度学习如何用于测量图像中的尺寸

引用

51CTO

1.

https://blog.51cto.com/u_12195/12970596

在数字图像处理领域，边缘检测和形态学是两项非常重要的技术。本文将结合简单的形态学算法，使用Matlab介绍一个测量图像中物体尺寸的小项目。通过引入"像素每度量单位比率"的概念，我们可以准确测量图像中物体的实际尺寸。

图1 效果图

1. 测距原理

在数字图像处理中，每一张图片实际上表现为一个庞大的矩阵。若不知道测距物体的距离，是不可能对图像中物体进行大小测量计算的。因此，我们需要引入一个类似比例尺的概念：像素每度量单位比率（pixels per metric ratio）。

这个比率的计算公式为：
pixels per metric ratio = 硬币像素数/物体实际尺寸

已知硬币长宽均为1英寸，假设其在图像中像素宽为157px，得：
pixels per metric ratio = 157px/1.000in = 157px/in

通过使用这一比例，我们便可计算图像中其它物体的尺寸大小信息。

2. 利用计算机视觉测量物体的大小

首先定义硬币的尺寸，并读取原始图像：

coin_width

图2 原始图像

对图像进行灰度转换和高斯滤波：

% 转换为灰度图像

图3 高斯图像

进行Canny边缘检测：

I3

图4 Canny边缘检测图像

通过孔洞填充去除内部纹理：

% 孔洞填充

图5 孔洞填充图像

提取外围边缘并去除小物体：

图6 提取外围边缘
图7 去除小物体

使用bwlabel函数标记目标，并计算最小外接矩形：

[  

计算像素每度量单位比率：

% 单位英寸像素点比例计算

绘制检测框并显示尺寸：

for  

最终效果：

图8 效果图

效果演示：

图9 效果演示
图10 效果演示

可能的误差原因

1. 拍摄角度不是完美的90°俯视，导致尺寸扭曲
2. 未使用相机的内参和外参进行校准，存在镜头畸变

代码实现

完整代码如下：

coin_width

辅助函数：

function  

function