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。

打開一個(gè)新文件，將其命名為distance_between.py，插入以下代碼：

# import the necessary packagesfrom scipy.spatial import distance as distfrom imutils import perspectivefrom imutils import contoursimport numpy as npimport argparseimport imutilsimport cv2def midpoint(ptA, ptB):return ((ptA[0] + ptB[0]) * 0.5, (ptA[1] + ptB[1]) * 0.5)# construct the argument parse and parse the argumentsap = 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：

第2-4行從磁盤加載圖像，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 individuallyfor c in cnts:# if the contour is not sufficiently large, ignore itif cv2.contourArea(c) < 100:continue# compute the rotated bounding box of the contourbox = 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# boxbox = perspective.order_points(box)# compute the center of the bounding boxcX = np.average(box[:, 0])cY = np.average(box[:, 1])

在第2行，我們開始對(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 objectif 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 objectD = 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。

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 imageorig = image.copy()cv2.drawContours(orig, [box.astype("int")], -1, (0, 255, 0), 2)cv2.drawContours(orig, [refObj[0].astype("int")], -1, (0, 255, 0), 2)# stack the reference coordinates and the object coordinates# to include the object centerrefCoords = np.vstack([refObj[0], refObj[1]])objCoords = np.vstack([box, (cX, cY)])

現(xiàn)在我們可以開始計(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 linecv2.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# unitsD = dist.euclidean((xA, yA), (xB, yB)) / refObj[2](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 imagecv2.imshow("Image", orig)cv2.waitKey(0)

在第2行，我們開始對(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)，并畫一條線連接這些點(diǎn)(第5-7條線)。

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)。

下面是一個(gè)GIF動(dòng)畫，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。

編輯：jq