點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
    
     重磅干貨，第一時(shí)間送達(dá)

你是否曾經(jīng)遇到過這樣的問題：想要知道計(jì)算器的精確尺寸，但手頭又沒有專業(yè)的測量工具？別擔(dān)心，今天我們就來教大家一個(gè)簡單又實(shí)用的方法，通過一張A4紙就能估算出計(jì)算器的寬度和高度，精確到毫米哦！

該算法的主要思想其實(shí)非常簡單。請看下面圖 1 中我們要處理的樣本圖像。

圖 1.本教程中使用的示例圖像。

本教程的目的是估算計(jì)算器的寬度和高度（以毫米為單位）。為此，我們需要一個(gè)已知尺寸的物體作為參考長度。這基本上就是我們使用白紙作為對象背景的原因。紙張尺寸為 A4，這意味著它的寬度和高度分別為 210 毫米和 297 毫米。然后，我們可以借助這些數(shù)字獲得估計(jì)的計(jì)算器尺寸。

在開始之前，我們這篇文章分為幾個(gè)章節(jié)：

導(dǎo)入模塊和參數(shù)初始化
圖像加載和預(yù)處理
尋找紙張輪廓
透視變換
尋找物體輪廓
邊長計(jì)算
將所有內(nèi)容放在一個(gè)函數(shù)中

現(xiàn)在，我們從第一個(gè)開始。

1. 導(dǎo)入模塊及參數(shù)初始化

和其他 Python 項(xiàng)目一樣，我要做的第一件事就是導(dǎo)入所有必需的模塊。在本例中，我們的大部分工作將使用和來完成cv2，numpy而matplotlib僅用于顯示圖像。

    
     # Codeblock 1import cv2import numpy as npimport matplotlib.pyplot as plt

由于模塊已導(dǎo)入，我們將初始化一些參數(shù)，這些參數(shù)是未來計(jì)算所需的，您可以在下面的 Codeblock 2 中看到。變量SCALE主要用于我們不希望生成的圖像太小。同時(shí)，和PAPER_W表示PAPER_H紙張寬度和高度（以毫米為單位）。

    
     # Codeblock 2SCALE = 3PAPER_W = 210 * SCALEPAPER_H = 297 * SCALE

就這樣。第一章到此結(jié)束，因?yàn)檫@部分沒有什么可說的了。

2.圖像加載和預(yù)處理

之后，我們將創(chuàng)建一個(gè)名為和的函數(shù)load_image()，show_image()我認(rèn)為這兩個(gè)函數(shù)的名稱是不言自明的。它們的詳細(xì)信息可以在 Codeblock 3 中看到。您可以在下面看到我定義了參數(shù)scale（小寫），其中我的目的是使輸入圖像變得有點(diǎn)小，因?yàn)樵紙D像分辨率非常高。但是，從技術(shù)上講，您也可以通過傳遞大于 1 的值來使其更大。

show_image()另一方面，該函數(shù)實(shí)現(xiàn)cv2.cvtColor() 了將顏色通道從 BGR 轉(zhuǎn)換為 RGB 的功能。這種轉(zhuǎn)換是必要的，因?yàn)?Matplotlib 在顏色通道順序方面與 OpenCV 的工作方式不同。

    
     # Codeblock 3def load_image(path, scale=0.7):    img = cv2.imread(path)    img_resized = cv2.resize(img, (0,0), None, scale, scale)return img_resized
def show_image(img):    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)    plt.figure(figsize=(6,8))    plt.xticks([])    plt.yticks([])    plt.imshow(img)    plt.show()

由于上面的兩個(gè)函數(shù)已經(jīng)初始化，現(xiàn)在我們可以使用它來實(shí)際加載圖像。這里我決定將參數(shù)保留scale為其默認(rèn)值（0.7），這將導(dǎo)致加載的圖像大小為 1120×840 px（原始大小為 1600×1200 px）。

    
     # Codeblock 4img_original = load_image(path='images/1.jpeg')show_image(img_original)print(img_original.shape)

我上面顯示的圖像存儲(chǔ)在中img_original。接下來要做的步驟是使用一系列圖像處理技術(shù)對該圖像進(jìn)行預(yù)處理，即灰度轉(zhuǎn)換（#1）、模糊（#2）、Canny 邊緣檢測（#3）、擴(kuò)張（#5）和閉合（#6）。所有這些步驟都包含在preprocess_image()Codeblock 5 中的函數(shù)中。

    
     # Codeblock 5def preprocess_image(img, thresh_1=57, thresh_2=232):    img_gray  = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)      #1    img_blur  = cv2.GaussianBlur(img_gray, (5,5), 1)       #2    img_canny = cv2.Canny(img_blur, thresh_1, thresh_2)    #3
    kernel = np.ones((3,3))    #4    img_dilated = cv2.dilate(img_canny, kernel, iterations=1)    #5    img_closed = cv2.morphologyEx(img_dilated, cv2.MORPH_CLOSE,                                   kernel, iterations=4)          #6
    img_preprocessed = img_closed.copy()
    img_each_step = {'img_dilated': img_dilated, 'img_canny'  : img_canny, 'img_blur'   : img_blur, 'img_gray'   : img_gray}
return img_preprocessed, img_each_step

在標(biāo)記為的行中，和#2的參數(shù)分別表示高斯濾波器大小和高斯分布標(biāo)準(zhǔn)差。同時(shí)，行中的和是 Canny 邊緣檢測器用來捕獲弱邊緣和強(qiáng)邊緣的兩個(gè)閾值。在本例中，我決定將設(shè)置為 57 和232，這些數(shù)字是通過反復(fù)試驗(yàn)確定的。接下來，我們初始化一個(gè) 3×3 內(nèi)核，其中內(nèi)核的所有元素都設(shè)置為 1（標(biāo)記為的行）。然后，這個(gè)全 1 內(nèi)核將在擴(kuò)張和閉合過程中用作結(jié)構(gòu)元素。(5,5)1thresh_1thresh_2#3thresh_1thresh_2#4

該preprocess_image()函數(shù)返回兩個(gè)值：完全預(yù)處理的圖像（存儲(chǔ)在中img_preprocessed）和每個(gè)預(yù)處理階段的結(jié)果（img_each_step以字典形式存儲(chǔ)在中）。該函數(shù)的輸出如圖 3 所示。要進(jìn)入下一個(gè)過程的圖像是img_preprocessed（最右邊）。

3. 尋找紙張輪廓

獲取預(yù)處理后的圖像后，接下來要做的是使用 Codeblock 7 中顯示的代碼查找輪廓。您可以在那里看到我們使用cv2.findContours()( ) 來執(zhí)行此操作#1。我們還將其cv2.RETR_EXTERNAL作為參數(shù)的輸入?yún)?shù)傳遞，因?yàn)槲覀冎粚Σ东@圖像中檢測到的最外層輪廓（即紙張）感興趣?，F(xiàn)在，計(jì)算器對象將被忽略。然后，將使用( )mode繪制檢測到的輪廓本身。cv2.drawContours()#2

# Codeblock 7def find_contours(img_preprocessed, img_original, epsilon_param=0.04):contours, hierarchy = cv2.findContours(image=img_preprocessed, mode=cv2.RETR_EXTERNAL, method=cv2.CHAIN_APPROX_NONE)  #1img_contour = img_original.copy()cv2.drawContours(img_contour, contours, -1, (203,192,255), 6)  #2polygons = []for contour in contours:epsilon = epsilon_param * cv2.arcLength(curve=contour, closed=True)  #3polygon = cv2.approxPolyDP(curve=contour, epsilon=epsilon, closed=True)  #4polygon = polygon.reshape(4, 2)  #5polygons.append(polygon)for point in polygon:    img_contour = cv2.circle(img=img_contour, center=point, radius=8, color=(0,240,0), thickness=-1)  #6return polygons, img_contour不僅如此，這里我還嘗試使用cv2.approxPolyDP()（#4）來近似輪廓形狀。這行代碼的目的是獲取紙張輪廓的四個(gè)角，然后將坐標(biāo)存儲(chǔ)在其中polygon。我們需要注意的一件事是epsilon行中使用的參數(shù)#3。較小的 epsilon 值往往會(huì)導(dǎo)致檢測到更多的角，而另一方面，較大的 epsilon 會(huì)導(dǎo)致函數(shù)cv2.approxPolyDP()捕獲多邊形的一般形狀，即較少的角。注意 epsilon 值很重要，因?yàn)槲覀冃枰_保函數(shù)將準(zhǔn)確捕獲四個(gè)角點(diǎn)。

需要執(zhí)行數(shù)組重塑 ( #5)，因?yàn)?的原始輸出cv2.approxPolyDP()格式為(number of corners, 1, 2)，其中中間軸在我們的例子中無關(guān)緊要。因此，我們可以放心地將其丟棄。除了函數(shù)之外find_contours()，我們還將使用cv2.circle()( #6) 顯示角。然后，此函數(shù)將返回角坐標(biāo)本身 ( polygon) 和具有突出顯示輪廓的圖像 ( img_contour)。

下面的代碼塊 8 顯示了我如何調(diào)用該find_contours()函數(shù)。在這里我決定將設(shè)置epsilon_param為 0.04。如果您使用自己的圖片，則可能需要更改此值，特別是如果光照特性與我的圖像不同。下面代碼塊的輸出（顯示在圖 4 中）顯示了輪廓和角落的樣子。我也打印了存儲(chǔ)在中的坐標(biāo)polygon[0]。如果您想知道，使用索引器 0 是因?yàn)樵?/span>find_contours()函數(shù)本質(zhì)上能夠捕獲多個(gè)輪廓，而在這種情況下，我們唯一的外部輪廓是紙張本身。除此之外，可能值得注意的是，存儲(chǔ)在中的坐標(biāo)polygons是(x,y)格式，而不是(y,x)。

4.透視變換

由于已經(jīng)檢測到紙張角坐標(biāo)，現(xiàn)在我們要根據(jù)這四個(gè)點(diǎn)來扭曲圖像。這個(gè)過程的目的是在我們開始尋找物體輪廓之前將紙張拉直。

重新排序坐標(biāo)

說到拉直過程，我們需要知道的一件事是，由于函數(shù)的性質(zhì)，檢測到的多邊形角可能沒有排序cv2.approxPolyDP()。為了使這四個(gè)點(diǎn)都有序，我們需要?jiǎng)?chuàng)建一個(gè)專門的函數(shù)來執(zhí)行此操作。我正在談?wù)摰暮瘮?shù)稱為，reorder_coords()其詳細(xì)信息可在 Codeblock 9 中看到。

    
     # Codeblock 9def reorder_coords(polygon):    rect_coords = np.zeros((4, 2))
add = polygon.sum(axis=1)    rect_coords[0] = polygon[np.argmin(add)]    # Top left    rect_coords[3] = polygon[np.argmax(add)]    # Bottom right
    subtract = np.diff(polygon, axis=1)    rect_coords[1] = polygon[np.argmin(subtract)]    # Top right    rect_coords[2] = polygon[np.argmax(subtract)]    # Bottom left
return rect_coords

上述函數(shù)的工作原理是將兩個(gè)坐標(biāo)數(shù)字相加和相減，得到 argmin 和 argmax。這些代碼行神奇地將左上角、右上角、左下角和右下角分別放在索引 0、1、2 和 3 處。然后，我們可以將此函數(shù)應(yīng)用于存儲(chǔ)在中的點(diǎn)，polygon[0]如 Codeblock 10 所示。

    
     # Codeblock 10rect_coords = np.float32(reorder_coords(polygons[0]))rect_coords

稍后，上方重新排序的紙張角坐標(biāo)（rect_coords）將作為變換的源，而變換目標(biāo)（paper_coords）由實(shí)際紙張大小決定，即PAPER_W和PAPER_H。查看 Codeblock 11 以了解我如何手動(dòng)排列存儲(chǔ)的點(diǎn)。這里要記住的一件事是，目標(biāo)坐標(biāo)的順序需要與源坐標(biāo)的順序完全匹配，這就是我們實(shí)現(xiàn)重新排序源坐標(biāo)的功能paper_coords的原因。reorder_coords()

    
     # Codeblock 11paper_coords = np.float32([[0,0],                # Top left                           [PAPER_W,0],          # Top right                           [0,PAPER_H],          # Bottom left                           [PAPER_W,PAPER_H]])   # Bottom rightpaper_coords

除了代碼塊 10 和 11 之外，您可能還注意到我將數(shù)組數(shù)據(jù)類型轉(zhuǎn)換為 float32。事實(shí)上，我嘗試使用其他數(shù)據(jù)類型，例如 int32 和 float64，結(jié)果發(fā)現(xiàn)這兩種數(shù)據(jù)類型都導(dǎo)致cv2.getPerspectiveTransform()后續(xù)代碼塊中的函數(shù)返回錯(cuò)誤。

創(chuàng)建變換矩陣

此時(shí)，我們已經(jīng)得到了rect_coords和paper_coords。我們現(xiàn)在可以使用它們來扭曲原始圖像，使用cv2.getPerspectiveTransform()和，cv2.warpPerspective()如下面的代碼塊 12 所示。為了讓代碼更簡潔，我將它們放在另一個(gè)名為的函數(shù)中warp_image()。

    
     # Codeblock 12def warp_image(rect_coords, paper_coords, img_original, pad=5):
matrix = cv2.getPerspectiveTransform(src=rect_coords, dst=paper_coords)   #1img_warped = cv2.warpPerspective(img_original, matrix,(PAPER_W, PAPER_H))    #2
warped_h = img_warped.shape[0]warped_w = img_warped.shape[1]img_warped = img_warped[pad:warped_h-pad, pad:warped_w-pad]  #3
return img_warped

讓我們深入研究上述函數(shù)。我們首先使用cv2.getPerspectiveTransform()( #1) 創(chuàng)建所謂的變換矩陣。變換矩陣本身的尺寸為 3 × 3，它存儲(chǔ)了有關(guān)如何將圖像從一個(gè)角度變換到另一個(gè)角度的信息。然后，該矩陣將實(shí)際用于使用cv2.warpPerspective()( #2) 變換原始圖像。然后，我們將變換后的圖像存儲(chǔ)在名為的變量中img_warped。除了函數(shù)之外warp_image()，我們還將丟棄圖像邊界附近的區(qū)域 ( #3)，因?yàn)樯傻膱D像可能在邊緣處包含一個(gè)狹窄的不需要的黑色區(qū)域。

函數(shù)的使用warp_image()在 Codeblock 13 中演示，其中輸出顯示在圖 7 中。

    
     # Codeblock 13img_warped = warp_image(rect_coords, paper_coords, img_original)show_image(img_warped)print(img_warped.shape)

5. 查找物體輪廓

由于原始圖像已根據(jù)紙張形狀進(jìn)行了扭曲，接下來我將執(zhí)行完全相同的過程以檢測計(jì)算器對象，即圖像預(yù)處理和輪廓搜索。由于要執(zhí)行的過程與之前的過程相同，因此我們可以簡單地重用我們之前定義的函數(shù)。在這種情況下，我們的內(nèi)部輪廓（即計(jì)算器按鈕）將被忽略，這要?dú)w功于cv2.RETR_EXTERNAL我們在 Codeblock 7 中實(shí)現(xiàn)的輪廓。

現(xiàn)在，Codeblock 14 和 15 展示了如何進(jìn)行預(yù)處理和輪廓查找。

    
     # Codeblock 14img_warped_preprocessed, _ = preprocess_image(img_warped)show_image(img_warped_preprocessed)

    
     # Codeblock 15polygons_warped, img_contours_warped = find_contours(img_warped_preprocessed, img_warped,epsilon_param=0.04)show_image(img_contours_warped)polygons_warped[0]

由于上面兩個(gè)Codeblocks中的代碼都已經(jīng)運(yùn)行完畢，現(xiàn)在所有角點(diǎn)坐標(biāo)（綠色圓圈）都存儲(chǔ)在中polygons_warped，這四個(gè)坐標(biāo)值其實(shí)就是用來估算邊長的坐標(biāo)值。

6. 邊長計(jì)算

在這種情況下，我們假設(shè)紙張上方的所有物體都是矩形。因此，可以通過計(jì)算物體左上角和左下角之間的歐幾里得距離來估計(jì)物體的高度（Codeblock 16 #2）。同時(shí)，可以通過計(jì)算物體左上角和右上角之間的相同距離度量來獲得寬度（#3）。此外，我們需要記住，返回的檢測到的角find_contours()仍然是無序的。因此，我們需要reorder_coords()事先調(diào)用（）。我想在 Codeblock 16 中強(qiáng)調(diào)的最后一件事是，估計(jì)的高度和寬度現(xiàn)在存儲(chǔ)在按相應(yīng)順序#1命名的數(shù)組中（）sizes#4

    
     # Codeblock 16def calculate_sizes(polygons_warped):
rect_coords_list = []for polygon in polygons_warped:rect_coords = np.float32(reorder_coords(polygon))  #1rect_coords_list.append(rect_coords)
heights = []widths  = []for rect_coords in rect_coords_list:height = cv2.norm(rect_coords[0], rect_coords[2], cv2.NORM_L2)  #2width  = cv2.norm(rect_coords[0], rect_coords[1], cv2.NORM_L2)  #3
heights.append(height)widths.append(width)
heights = np.array(heights).reshape(-1,1)widths  = np.array(widths).reshape(-1,1)
sizes = np.hstack((heights, widths))  #4
return sizes, rect_coords_list
sizes, rect_coords_list = calculate_sizes(polygons_warped)sizes

轉(zhuǎn)換為毫米

但是，我們需要記住，圖 10 中的輸出仍然是像素?cái)?shù)。要將這些值轉(zhuǎn)換為毫米，我們需要為此創(chuàng)建一個(gè)單獨(dú)的函數(shù)，我將其命名為convert_to_mm()(Codeblock 17)。此函數(shù)通過取紙張長度（以毫米為單位）和像素（以像素為單位）的比率來工作。然后，我們可以通過將比率值（和）與仍以像素為單位的計(jì)算器大?。ê?/span>#1）#2相乘來獲得實(shí)際的毫米長度。scale_hscale_w#3#4

    
     # Codeblock 17def convert_to_mm(sizes_pixel, img_warped):warped_h = img_warped.shape[0]warped_w = img_warped.shape[1]
scale_h = PAPER_H / warped_h    #1scale_w = PAPER_W / warped_w    #2
sizes_mm = []
for size_pixel_h, size_pixel_w in sizes_pixel:size_mm_h = size_pixel_h * scale_h / SCALE    #3size_mm_w = size_pixel_w * scale_w / SCALE    #4
sizes_mm.append([size_mm_h, size_mm_w])
return np.array(sizes_mm)
sizes_mm = convert_to_mm(sizes, img_warped)sizes_mm

到目前為止，我們已經(jīng)成功獲得了邊緣的長度（以毫米為單位）?，F(xiàn)在，我們將以文本的形式顯示這些值，這些文本寫在扭曲的圖像上。為此完成的整個(gè)過程都放在函數(shù)內(nèi)部write_size()。初始化函數(shù)后，我們可以直接調(diào)用它，如#1代碼塊 18 中所示。此代碼的輸出如圖 12 所示。

看起來我們的代碼如預(yù)期那樣工作了。

    
     # Codeblock 18def write_size(rect_coords_list, sizes, img_warped):
    img_result = img_warped.copy()
for rect_coord, size in zip(rect_coords_list, sizes):
        top_left = rect_coord[0].astype(int)        top_right = rect_coord[1].astype(int)        bottom_left = rect_coord[2].astype(int)
        cv2.line(img_result, top_left, top_right, (255,100,50), 4)        cv2.line(img_result, top_left, bottom_left, (100,50,255), 4)
        cv2.putText(img_result, f'{np.int32(size[0])} mm',                     (bottom_left[0]-20, bottom_left[1]+50),                     cv2.FONT_HERSHEY_DUPLEX, 1, (100,50,255), 1)
        cv2.putText(img_result, f'{np.int32(size[1])} mm',                     (top_right[0]+20, top_right[1]+20),                     cv2.FONT_HERSHEY_DUPLEX, 1, (255,100,50), 1)
return img_result
img_result = write_size(rect_coords_list, sizes_mm, img_warped)  #1show_image(img_result)print(img_result.shape)

圖 12. 在圖像上添加文字。

7. 將所有內(nèi)容放在一個(gè)函數(shù)中

由于我試圖解釋此項(xiàng)目中代碼使用的每個(gè)部分，因此我們上述執(zhí)行的所有步驟似乎很長。事實(shí)上，到目前為止您看到的所有代碼都可以包裝在一個(gè)函數(shù)中，我measure_size()在 Codeblock 19 中將其命名為該函數(shù)。使用此函數(shù)，我們可以簡單地將要處理的圖像與參數(shù)一起傳遞，以完成我們剛剛完成的所有工作。

    
     # Codeblock 19def measure_size(path, img_original_scale=0.7,PAPER_W=210, PAPER_H=297, SCALE=3, paper_eps_param=0.04, objects_eps_param=0.05,  canny_thresh_1=57, canny_thresh_2=232):
PAPER_W = PAPER_W * SCALEPAPER_H = PAPER_H * SCALE
    # Loading and preprocessing original image.img_original = load_image(path=path, scale=img_original_scale)img_preprocessed, img_each_step = preprocess_image(img_original, thresh_1=canny_thresh_1, thresh_2=canny_thresh_2)
    # Finding paper contours and corners.polygons, img_contours = find_contours(img_preprocessed, img_original, epsilon_param=paper_eps_param)
    # Reordering paper corners.rect_coords = np.float32(reorder_coords(polygons[0]))
    # Warping image according to paper contours.paper_coords = np.float32([[0,0], [PAPER_W,0], [0,PAPER_H],[PAPER_W,PAPER_H]])img_warped = warp_image(rect_coords, paper_coords, img_original)
    # Preprocessing the warped image.img_warped_preprocessed, _ = preprocess_image(img_warped)
    # Finding contour in the warped image.polygons_warped, img_contours_warped = find_contours(img_warped_preprocessed, img_warped,epsilon_param=objects_eps_param)
    # Edge langth calculation.sizes, rect_coords_list = calculate_sizes(polygons_warped)sizes_mm = convert_to_mm(sizes, img_warped)img_result = write_size(rect_coords_list, sizes_mm, img_warped)
return img_result

一旦measure_size()創(chuàng)建了函數(shù)，我們現(xiàn)在就可以在幾個(gè)測試用例上測試它。圖 13 所示的輸出表明，我們估算物體大小的方法對于不同的矩形物體非常有效。

    
     # Codeblock 20show_image(measure_size('images/1.jpeg'))show_image(measure_size('images/2.jpeg'))show_image(measure_size('images/3.jpeg'))show_image(measure_size('images/4.jpeg'))show_image(measure_size('images/5.jpeg'))show_image(measure_size('images/6.jpeg', objects_eps_param=0.1))

圖 13.其他圖像上的結(jié)果。

一些局限

盡管在許多情況下我們的方法都運(yùn)行正常，但這并不一定意味著我們的工作是完美的，即使在受控環(huán)境中也是如此。如果你仔細(xì)觀察，你可能會(huì)注意到大多數(shù)預(yù)測的角點(diǎn)實(shí)際上并不位于實(shí)際的角點(diǎn)位置，這可能會(huì)導(dǎo)致測量結(jié)果有點(diǎn)不準(zhǔn)確。這主要是因?yàn)榻屈c(diǎn)的確定高度依賴于二值圖像（即閉運(yùn)算后的圖像）的質(zhì)量。這意味著在這種情況下輸入?yún)?shù)值的確定非常關(guān)鍵。

此外，如果我們查看圖 13 中從右側(cè)開始的第二張圖像，您會(huì)發(fā)現(xiàn)對象尺寸沒有打印出來。這可能是因?yàn)橛捎趯ο蠛图垙堉g的細(xì)微顏色差異，輪廓檢測不太好。此外，在我們的最后一張測試圖像（最右邊的一張）中，盡管對象的整體外觀呈矩形，但我們的實(shí)現(xiàn)似乎難以準(zhǔn)確測量具有弧形角的對象的尺寸。

   
    下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
    

   
   
    在「小白學(xué)視覺」公眾號后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。
   
   
    

   
   
    下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講
   
   
    在「小白學(xué)視覺」公眾號后臺(tái)回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺。
   
   
    

   
   
    下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
   
   
    在「小白學(xué)視覺」公眾號后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。
   
   
    

   
交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會(huì)逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會(huì)請出群，謝謝理解~

使用 OpenCV 測量物體尺寸