调用cv2.findContours()函数实现轮廓检测，检测图像中物体的轮廓。 2、调用imutils.grab_contours()函数获取图像轮廓。 3、调用contours.sort_contours()函数将轮廓从左到右进行排序。 4、初始化比例系数pixelsPerMetric为空，用于后续真实长度计算。 5、初始化参照物宽度width为3，用于后续真实长度计算。

时间: 2024-04-05 09:30:11 浏览: 107
TXT

openCV——寻找并绘制图像的轮廓

star5星 · 资源好评率100%
好的，你的问题是如何实现图像中物体的轮廓检测并按照从左到右的顺序排序，以及如何计算真实长度？ 首先，你可以使用OpenCV中的cv2.findContours()函数来实现轮廓检测，该函数可以接受二进制图像作为输入，并返回一个包含所有轮廓的列表。 然后，你可以使用imutils.grab_contours()函数来获取轮廓列表，该函数可以确保适用于不同OpenCV版本的轮廓格式。 为了将轮廓从左到右进行排序，你可以使用contours.sort_contours()函数来对轮廓进行排序，该函数可以根据一定的标准（如从左到右，从上到下等）对轮廓进行排序。 最后，为了计算真实长度，你需要确定一个比例系数和参照物的宽度。比例系数可以根据实际情况进行测量，参照物的宽度可以事先确定，并用来计算其他物体的真实长度。在计算真实长度时，你可以使用像素值与比例系数的乘积来得到物体的实际长度。
阅读全文

相关推荐

gz

Graphics-Project.tar.gz_GrabCut图像分割_Grabcut_grabcut matlab_grabc

GrabCut是一种在计算机视觉领域广泛使用的图像分割技术，由Rother、Kolmogorov和Zisserman在2004年提出。这个技术基于概率模型，利用马尔可夫随机场（Markov Random Field, MRF）来解决图像分割问题。在MATLAB环境中...
zip

tuxiangfenge.zip_图像 边缘分割_边缘分割_边缘检测分割

在实际应用中，边缘分割广泛应用于计算机视觉、机器学习、医学图像分析等领域。例如，在自动驾驶中，边缘分割可以帮助车辆识别路标、行人和其他车辆；在医学成像中，它可以辅助医生定位病灶，提高诊断精度。 压缩包...

imutils.grab_contours

imutils.grab_contours 是一个 Python 库，它可以用来处理图像轮廓（contours）。它可以帮助你寻找和提取图像中特定的物体。这个库可以提供许多有用的函数来操作轮廓，如排序、筛选和绘制。

优化这段代码import cv2 import imutils import numpy as np img = cv2.imread('D:\pycharm\PycharmProjects\pythonProject\p1\p1.jpg', cv2.IMREAD_COLOR) img = cv2.resize(img, (600, 400)) cv2.imshow('Origin image', img) img_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) img_gray = cv2.bilateralFilter(img_gray, 13, 15, 15) img_edged = cv2.Canny(img_gray, 30, 200) cv2.imshow('edged image', img_edged) img_contours = cv2.findContours(img_edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) img_contours = imutils.grab_contours(img_contours) img_contours = sorted(img_contours, key=cv2.contourArea, reverse=True)[:10] screenCnt = None for c in img_contours: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.018 * peri, True) if len(approx) == 4: screenCnt = approx break if screenCnt is None: detected = 0 print("No contour detected") else: detected = 1 if detected == 1: cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3) mask = np.zeros(img_gray.shape, np.uint8) new_image = cv2.drawContours(mask, [screenCnt], 0, 255, -1, ) cv2.imshow('mask_image', new_image) new_image = cv2.bitwise_and(img, img, mask=mask) (x, y) = np.where(mask == 255) (topx, topy) = (np.min(x), np.min(y)) (bottomx, bottomy) = (np.max(x), np.max(y)) cropped = img_gray[topx:bottomx + 1, topy:bottomy + 1] cropped = cv2.resize(cropped, (400, 200)) cv2.imshow('Cropped', cropped) cv2.waitKey(0) cv2.destroyAllWindows()

这段代码主要是对一张图片进行边缘检测，并找出图片中的一个矩形区域进行裁剪。下面是对代码的一些优化建议： 1. 将代码拆分成多个函数，增加代码的可读性和可维护性。 2. 将文件路径字符串改为使用原始字符串（raw...

contours = imutils.grab_contours(contours)中的“ imutils”有什么作用？

在这段代码中，imutils提供的grab_contours函数用于从cv2.findContours函数返回的元组中提取轮廓数据。具体来说，cv2.findContours函数返回的元组包含三个值：图像、轮廓列表和轮廓的层次结构。grab_contours函数会...

imutils.grab_contours()

imutils.grab_contours() 是一个 OpenCV 工具包中的函数，它用于从图像中提取轮廓。 在使用 findContours() 函数查找图像中的轮廓后，imutils.grab_contours() 函数可以帮助我们处理不同版本的 OpenCV 返回的...

cv2.grab_contours(cnts) AttributeError: module 'cv2' has no attribute 'grab_contours'

cv2.grab_contours(cnts)是OpenCV中的一个函数，用于从轮廓中提取点。如果出现AttributeError: module 'cv2' has no attribute 'grab_contours'的错误，可能是因为你的OpenCV版本太低，不支持该函数。你可以尝试更新...
zip

grabcut.zip_GrabCut图像分割_Grabcut_图像分割_图割_图割图像分割

基本的图割法进行图像分割，效果较好，思路清晰
zip

matlab_grabcut-master.zip_GrabCut图像分割_Grabcut_MATLAB grabcut_gra

用MATLAB实现了GrabCut的图像分割的源代码供参考
rar

Basler_Grab_Val.rar_Basler Grab Val_Basler grab_Basler 相机_basler

"Grab Val"可能是“Grab Value”的缩写，指的是在图像采集过程中获取到的图像质量或参数值。 在工业应用中，相机的图像采集能力至关重要。Basler相机提供了多种获取图像的方式，以适应不同的应用场景。例如，它可能...
rar

Grab-image.rar_grab连续采集_labview grab_labview 缓存_labview图像采集_曝光la

在LabVIEW中实现连续图像采集是一项关键任务，特别是在视觉检测、机器学习以及自动化等领域。"Grab-image.rar" 文件包提供了一个实例，展示了如何利用LabVIEW的图像处理功能进行连续采集，并且包含了曝光增益控制、...
zip

grabcut.zip_Grabcut_MATLAB grabcut_UT4_bk_creat_grabcut matlab

matlab中实现grabcut，已经编译调试好了，直接运行就可以了
rar

myNewGrabCut.rar_Grabcut_grabcut opencv_myNewGrabCut_opencv grab

opencv中的GrabCut，把里面的例子简化了，并对GrabCut部分进行注释

from tkinter import * import cv2 import numpy as np from PIL import ImageGrab from tensorflow.keras.models import load_model from temp import * model = load_model('mnist.h5') image_folder = "img/" root = Tk() root.resizable(0, 0) root.title("HDR") lastx, lasty = None, None image_number = 0 cv = Canvas(root, width=1200, height=480, bg='white') cv.grid(row=0, column=0, pady=2, sticky=W, columnspan=2) def clear_widget(): global cv cv.delete('all') def draw_lines(event): global lastx, lasty x, y = event.x, event.y cv.create_line((lastx, lasty, x, y), width=8, fill='black', capstyle=ROUND, smooth=True, splinesteps=12) lastx, lasty = x, y def activate_event(event): global lastx, lasty cv.bind('<B1-Motion>', draw_lines) lastx, lasty = event.x, event.y cv.bind('<Button-1>', activate_event) def Recognize_Digit(): global image_number filename = f'img_{image_number}.png' root.update() widget = cv x = root.winfo_rootx() + widget.winfo_rootx() y = root.winfo_rooty() + widget.winfo_rooty() x1 = x + widget.winfo_width() y1 = y + widget.winfo_height() print(x, y, x1, y1) # get image and save ImageGrab.grab().crop((x, y, x1, y1)).save(image_folder + filename) image = cv2.imread(image_folder + filename, cv2.IMREAD_COLOR) gray = cv2.cvtColor(image.copy(), cv2.COLOR_BGR2GRAY) ret, th = cv2.threshold( gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # contours = cv2.findContours( # th, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0] Position = findContours(th) for m in range(len(Position)): # make a rectangle box around each curve cv2.rectangle(th, (Position[m][0], Position[m][1]), ( Position[m][2], Position[m][3]), (255, 0, 0), 1) # Cropping out the digit from the image corresponding to the current contours in the for loop digit = th[Position[m][1]:Position[m] [3], Position[m][0]:Position[m][2]] # Resizing that digit to (18, 18) resized_digit = cv2.resize(digit, (18, 18)) # Padding the digit with 5 pixels of black color (zeros) in each side to finally produce the image of (28, 28) padded_digit = np.pad(resized_digit, ((5, 5), (5, 5)), "constant", constant_values=0) digit = padded_digit.reshape(1, 28, 28, 1) digit = digit / 255.0 pred = model.predict([digit])[0] final_pred = np.argmax(pred) data = str(final_pred) + ' ' + str(int(max(pred) * 100)) + '%' print(data) font = cv2.FONT_HERSHEY_SIMPLEX fontScale = 0.5 color = (255, 0, 0) thickness = 1 cv2.putText(th, data, (Position[m][0], Position[m][1] - 5), font, fontScale, color, thickness) cv2.imshow('image', th) cv2.waitKey(0) cv2.destroyAllWindows() btn_save = Button(text='Recognize Digit', command=Recognize_Digit) btn_save.grid(row=2, column=0, pady=1, padx=1) button_clear = Button(text='Clear Widget', command=clear_widget) button_clear.grid(row=2, column=1, pady=1, padx=1) root.mainloop()

它调用了许多库，如tkinter、cv2、numpy、PIL和tensorflow。程序创建了一个图形用户界面，包括一个白色的画布和一个按钮。用户在画布上绘制数字后，可以点击按钮来触发识别数字的功能。程序会将绘制的数字保存为图片...

请解析下列代码：import cv2 import numpy as np from pynput.mouse import Button, Controller from PIL import ImageGrab #获取中心点位置 def find_image_on_screen(image_path): # 读取要识别的图片 image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 获取屏幕截图 screenshot = np.array(ImageGrab.grab()) # 将截图转换为灰度图像 gray = cv2.cvtColor(screenshot, cv2.COLOR_BGR2GRAY) # 使用模板匹配找到图像在屏幕中的位置 res = cv2.matchTemplate(gray, image, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 返回图像的位置和大小 top_left = max_loc h, w = image.shape bottom_right = (top_left[0] + w, top_left[1] + h) return (top_left[0] + w // 2, top_left[1] + h // 2) find_image_on_screen("baidu.png") time.sleep(2)

- 最后使用 cv2.matchTemplate() 方法进行模板匹配，找到图像在屏幕中的位置和大小，并返回图像的中心点位置。 3. 调用 find_image_on_screen 函数，查找名为 baidu.png 的图片在屏幕中的位置，并将其中心点...

from PIL import ImageGrab import numpy as np import cv2 from pynput import keyboard import threading import datetime flag = False def video_record(): p = ImageGrab.grab() a, b = p.size fourcc = cv2.VideoWriter_fourcc(*'XVID') filename = '视频_{}.avi'.format(datetime.datetime.now().strftime('%Y%m%d_%H%M%S')) video = cv2.VideoWriter(filename, fourcc, 28, (a, b)) while True: im = ImageGrab.grab() inn = cv2.cvtColor(np.array(im), cv2.COLOR_RGB2BGR) video.write(inn) if flag: print('录制结束！') break video.release() def on_press(key): global flag if key == keyboard.Key.esc: flag = True return False if name == 'main': print('开始录制！') th = threading.Thread(target=video_record) th.start() with keyboard.Listener(on_press=on_press) as listener: listener.join()实现它的函数调用步骤顺序是怎么实现的

2. 在 video_record 函数中，先获取屏幕的大小，并且指定输出视频的编码、帧率和分辨率等参数。 3. 进入一个 while 循环，不断地获取屏幕截图，并将其转换为 OpenCV 的图像格式。 4. 将每一帧图像写入视频文件中，...

def jietu(self,hwnd): # 获取窗口的左上角和右下角坐标 left, top, right, bottom = win32gui.GetWindowRect(hwnd) # 获取屏幕分辨率 width = win32api.GetSystemMetrics(0) height = win32api.GetSystemMetrics(1) # 截图 img_pil = PIL.ImageGrab.grab(bbox=(left, top, right, bottom)) # 将 PIL.Image 转换为 OpenCV 图像 #img_cv = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR) # 显示截图 cv2.imshow("Screenshot", img_cv) cv2.waitKey(0) # 保存截图 cv2.imwrite("screenshot.png", img_cv) return img_pil 报错

这段代码中出现了 “name 'cv2' is not defined” 的错误，这是因为在该函数中使用了 cv2 库，但是在函数的开头并没有导入 cv2 库，所以 Python 执行该函数时找不到 cv2 库。 为了解决这个问题，可以在函数开头导入...

AttributeError Traceback (most recent call last) <ipython-input-5-c69e15409517> in <module>() 1 #预处理 ----> 2 original_image = imutils.resize(original_image, width=500 ) 3 gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY) 4 gray_image = cv2.bilateralFilter(gray_image, 11, 17, 17) D:\360downloads\Anaconda\envs\tensorflow_cpu\lib\site-packages\imutils\convenience.py in resize(image, width, height, inter) 67 # grab the image size 68 dim = None ---> 69 (h, w) = image.shape[:2] 70 71 # if both the width and height are None, then return the AttributeError: 'NoneType' object has no attribute 'shape'

您可以使用 OpenCV 的 imread() 函数加载图像文件，如下所示： python import cv2 original_image = cv2.imread('image.jpg') 请将 'image.jpg' 替换为您要加载的图像文件的路径。如果您已经正确加载...

最新推荐

recommend-type

OpenCV.js中文教程

OpenCV.js 是一个专为JavaScript环境设计的计算机视觉库，它使得开发者能够在网页上实现复杂的图像和视频处理功能。OpenCV.js 是由 OpenCV 主库经过 Emscripten 编译，转化为可以在浏览器中运行的 JavaScript 代码，...
recommend-type

Python OpenCV模块通过调用摄像头并截图保存功能的实现代码

OpenCV（开源计算机视觉库）是一个跨平台的计算机视觉库，它包含了大量的图像处理和计算机视觉的算法。在Python中，我们可以利用OpenCV库来处理图像和视频，包括调用摄像头、捕获视频帧、进行图像处理以及进行机器...
recommend-type

Qt（C++）调用工业相机Basler的SDK使用示例

在 GrabImage 函数中，我们可以从 Basler 相机中获取图像数据并将其存储在 QImage 对象中。我们可以使用 StartAcquire 和 StopAcquire 函数来开始和结束图像采集。 通过本示例，我们可以学习如何使用 Qt 框架来调用...
recommend-type

Python OpenCV 调用摄像头并截图保存功能的实现代码

在Python编程中，OpenCV库是一个强大的图像处理和计算机视觉库，它广泛应用于图像分析、视频处理等领域。本篇文章将详细介绍如何使用OpenCV调用摄像头并实现截图保存功能。 首先，要使用OpenCV，你需要确保已经正确...
recommend-type

若依管理存在任何文件读取漏洞检测系统，渗透测试.zip

若依管理存在任何文件读取漏洞检测系统，渗透测试若一管理系统发生任意文件读取若依管理系统存在任何文件读取免责声明使用本程序请自觉遵守当地法律法规，出现一切后果均与作者无关。本工具旨在帮助企业快速定位漏洞修复漏洞，仅限安全授权测试使用！严格遵守《中华人民共和国网络安全法》，禁止未授权非法攻击站点！由于作者用户欺骗造成的一切后果与关联。毒品用于非法一切用途，非法使用造成的后果由自己承担，与作者无关。食用方法python3 若依管理系统存在任意文件读取.py -u http://xx.xx.xx.xxpython3 若依管理系统存在任意文件读取.py -f url.txt
recommend-type

Python中快速友好的MessagePack序列化库msgspec

资源摘要信息:"msgspec是一个针对Python语言的高效且用户友好的MessagePack序列化库。MessagePack是一种快速的二进制序列化格式，它旨在将结构化数据序列化成二进制格式，这样可以比JSON等文本格式更快且更小。msgspec库充分利用了Python的类型提示（type hints），它支持直接从Python类定义中生成序列化和反序列化的模式。对于开发者来说，这意味着使用msgspec时，可以减少手动编码序列化逻辑的工作量，同时保持代码的清晰和易于维护。 msgspec支持Python 3.8及以上版本，能够处理Python原生类型（如int、float、str和bool）以及更复杂的数据结构，如字典、列表、元组和用户定义的类。它还能处理可选字段和默认值，这在很多场景中都非常有用，尤其是当消息格式可能会随着时间发生变化时。 在msgspec中，开发者可以通过定义类来描述数据结构，并通过类继承自`msgspec.Struct`来实现。这样，类的属性就可以直接映射到消息的字段。在序列化时，对象会被转换为MessagePack格式的字节序列；在反序列化时，字节序列可以被转换回原始对象。除了基本的序列化和反序列化，msgspec还支持运行时消息验证，即可以在反序列化时检查消息是否符合预定义的模式。 msgspec的另一个重要特性是它能够处理空集合。例如，上面的例子中`User`类有一个名为`groups`的属性，它的默认值是一个空列表。这种能力意味着开发者不需要为集合中的每个字段编写额外的逻辑，以处理集合为空的情况。 msgspec的使用非常简单直观。例如，创建一个`User`对象并序列化它的代码片段显示了如何定义一个用户类，实例化该类，并将实例序列化为MessagePack格式。这种简洁性是msgspec库的一个主要优势，它减少了代码的复杂性，同时提供了高性能的序列化能力。 msgspec的设计哲学强调了性能和易用性的平衡。它利用了Python的类型提示来简化模式定义和验证的复杂性，同时提供了优化的内部实现来确保快速的序列化和反序列化过程。这种设计使得msgspec非常适合于那些需要高效、类型安全的消息处理的场景，比如网络通信、数据存储以及服务之间的轻量级消息传递。 总的来说，msgspec为Python开发者提供了一个强大的工具集，用于处理高性能的序列化和反序列化任务，特别是当涉及到复杂的对象和结构时。通过利用类型提示和用户定义的模式，msgspec能够简化代码并提高开发效率，同时通过运行时验证确保了数据的正确性。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

STM32 HAL库函数手册精读：最佳实践与案例分析

![STM32 HAL库函数手册精读：最佳实践与案例分析](https://khuenguyencreator.com/wp-content/uploads/2020/07/bai11.jpg) 参考资源链接：[STM32CubeMX与STM32HAL库开发者指南](https://wenku.csdn.net/doc/6401ab9dcce7214c316e8df8?spm=1055.2635.3001.10343) # 1. STM32与HAL库概述 ## 1.1 STM32与HAL库的初识 STM32是一系列广泛使用的ARM Cortex-M微控制器，以其高性能、低功耗、丰富的外设接
recommend-type

如何利用FineReport提供的预览模式来优化报表设计，并确保最终用户获得最佳的交互体验？

针对FineReport预览模式的应用，这本《2020 FCRA报表工程师考试题库与答案详解》详细解读了不同预览模式的使用方法和场景，对于优化报表设计尤为关键。首先，设计报表时，建议利用FineReport的分页预览模式来检查报表的布局和排版是否准确，因为分页预览可以模拟报表在打印时的页面效果。其次，通过填报预览模式，可以帮助开发者验证用户交互和数据收集的准确性，这对于填报类型报表尤为重要。数据分析预览模式则适合于数据可视化报表，可以在这个模式下调整数据展示效果和交互设计，确保数据的易读性和分析的准确性。表单预览模式则更多关注于表单的逻辑和用户体验，可以用于检查表单的流程是否合理，以及数据录入
recommend-type

大学生社团管理系统设计与实现

资源摘要信息:"基于ssm+vue的大学生社团管理系统.zip" 该系统是基于Java语言开发的，使用了ssm框架和vue前端框架，主要面向大学生社团进行管理和运营，具备了丰富的功能和良好的用户体验。 首先，ssm框架是Spring、SpringMVC和MyBatis三个框架的整合，其中Spring是一个全面的企业级框架，可以处理企业的业务逻辑，实现对象的依赖注入和事务管理。SpringMVC是基于Servlet API的MVC框架，可以分离视图和模型，简化Web开发。MyBatis是一个支持定制化SQL、存储过程以及高级映射的持久层框架。 SpringBoot是一种全新的构建和部署应用程序的方式，通过使用SpringBoot，可以简化Spring应用的初始搭建以及开发过程。它使用了特定的方式来进行配置，从而使开发人员不再需要定义样板化的配置。 Vue.js是一个用于创建用户界面的渐进式JavaScript框架，它的核心库只关注视图层，易于上手，同时它的生态系统也十分丰富，提供了大量的工具和库。 系统主要功能包括社团信息管理、社团活动管理、社团成员管理、社团财务管理等。社团信息管理可以查看和编辑社团的基本信息，如社团名称、社团简介等；社团活动管理可以查看和编辑社团的活动信息，如活动时间、活动地点等；社团成员管理可以查看和编辑社团成员的信息，如成员姓名、成员角色等；社团财务管理可以查看和编辑社团的财务信息，如收入、支出等。 此外，该系统还可以通过微信小程序进行访问，微信小程序是一种不需要下载安装即可使用的应用，它实现了应用“触手可及”的梦想，用户扫一扫或者搜一下即可打开应用。同时，它也实现了应用“用完即走”的理念，用户不用关心是否安装太多应用的问题。应用将无处不在，随时可用，但又无需安装卸载。 总的来说，基于ssm+vue的大学生社团管理系统是一款功能丰富、操作简便、使用方便的社团管理工具，非常适合大学生社团的日常管理和运营。