这是我发表的第一篇文章，在学习前人和师兄的基础上完成的。
硬件：双目相机
因为是水下机器人拍的，借用了树莓派作为图像处理的平台
效果图：
实现思路：视差-距离-长度
图像前期处理：HSV阈值切割进行边缘检测，然后通过视差获取图像形心到机器人的距离，再根据三角形相似比得到最终鱼长。
1、图像前期处理：
# 图像前期处理
def color_filter(img, Lower, Upper, k_e, k_d): # k_e为腐蚀处理的卷积核，k_d为膨胀处理的卷积核
HSV_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
if Lower[0] > Upper[0]:
mask1 = cv2.inRange(HSV_img, Lower, 180)
mask2 = cv2.inRange(HSV_img, 0, Upper)
mask = cv2.bitwise_and(mask1, mask2)
else:
mask = cv2.inRange(HSV_img, Lower, Upper)
kernel_e = np.ones((k_e, k_e), np.uint8) # 卷积核设置
erosion = cv2.erode(mask, kernel_e, iterations=3) # 腐蚀处理
kernel_d = np.ones((k_d, k_d), np.uint8) # 卷积核设置
dilation = cv2.dilate(erosion, kernel_d, iterations=3) # 膨胀处理
img_maskcolor = dilation
return img_maskcolor
2、视差图获取图像形心到机器人距离：
其中有一些参数需要根据相机情况和检测目标进行一定的更改。
# 图像处理
img_binary = color_filter(frame, Lower, Upper, k_e, k_d)
img_binary_split = np.hsplit(img_binary, 2)
img_binary_1_split = img_binary_split[0]
img_binary_2_split = img_binary_split[1]
sample_flag = 1
if sample_flag == 1:
img_binary_1_split_down = cv2.pyrDown(img_binary_1_split)
img_binary_2_split_down = cv2.pyrDown(img_binary_2_split)
# 是否进行下采样
contours1, _ = cv2.findContours(img_binary_1_split_down, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
contours2, _ = cv2.findContours(img_binary_2_split_down, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
x_array_1 = []
y_array_1 = []
len_array_1 = list()
x_array_2 = []
y_array_2 = []
len_array_2 = list()
# 求形心
for contour1 in contours1:
if cv2.contourArea(contour1) > 50:
M = cv2.moments(contour1)
# print("len:" + str(len(approx)))
# cv2.drawContours(img, [approx], 0, (0, 0, 0), 5) # 绘制轮廓线
# if M['m00'] < 0.5:
# continue
x = int(M['m10'] / M['m00']) # 廓线坐标
y = int(M['m01'] / M['m00']) # 廓线坐标
if (y < 360 * (2 - sample_flag)) & (y > 120 * (2 - sample_flag)) & (x > 120 * (2 - sample_flag)) & (
x < 520 * (2 - sample_flag)) & (cv2.contourArea(contour1) > 100):
x_array_1.append(x)
y_array_1.append(y)
cv2.circle(img_binary_1_split_down, (x, y), 10, 2)
x_array_1_ch = np.array(x_array_1)
for contour2 in contours2:
if cv2.contourArea(contour2) > 50:
M = cv2.moments(contour2)
if M['m00'] < 0.5:
continue
x = int(M['m10'] / M['m00']) # 廓线坐标
y = int(M['m01'] / M['m00']) # 廓线坐标
if (y < 360 * (2 - sample_flag)) & (y > 120 * (2 - sample_flag)) & (x > 120 * (2 - sample_flag)) & (
x < 520 * (2 - sample_flag)) & (cv2.contourArea(contour2) > 100): # 1-120；3-100
x_array_2.append(x)
y_array_2.append(y)
cv2.circle(img_binary_2_split_down, (x, y), 10, 2)
x_array_2_ch = np.array(x_array_2)
3、计算长度还需要获取图像在图片中占的像素数，这里我们简化为最小外切圆的直径
#寻找最小外切圆直径作为像素长度
def find_marker(img):
#imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 0, 255), )
cv2.imshow('img', img)
for contour1 in contours:
area = []
# 找到最大的轮廓
for k in range(len(contours)):
area.append(cv2.contourArea(contours[k]))
max_idx = np.argmax(np.array(area))
#print(max_idx)
# 找最小外接圆
(x, y), radius = cv2.minEnclosingCircle(contours[max_idx])
# 最小外接圆半径
radius = int(radius)
# print(radius)
return radius
最终通过相似比获取机器人长度较为简单，就不在这罗列代码了。
在做的过程中遇到了一些问题，首先是在测距前需要先用已知长度的物体放在一个合适的距离进行标定，对代码中一些相关的系数进行更改。然后嘛，阈值慢慢调，总能切出来的（手动狗头）
第一次写文章，时间也比较匆忙，有很多表述不清楚的地方欢迎大家指点。
