简介：这套方案基于OpenCV实现图像中几何形状的检测与尺寸测量，面向图像处理初学者及OpenCV开发者。核心思路采用pixels per metric ratio（每度量比的像素）比例尺，通过已知物体的实际长度与像素数量换算像素与物理单位的关系，进而测量边长、直径、内角等关键参数。压缩包内含25个文件，主要包括6个Python脚本、9张测试图片、5个XML配置以及依赖说明文本，覆盖形状检测、矩形标注、交互式多边形标定等模块，并附带requirements依赖清单，便于直接运行与二次开发。包体约13.22MB，轻量紧凑，适合学习与实践。目前已有1370人学习下载。通过完整源码与示例图片，读者可掌握基于OpenCV的物体尺寸测量流程，理解图像坐标系与实际物理尺度的转换逻辑，并能够将方法迁移到工业测量、文档扫描等场景。 做过机器视觉测量的人应该都有体会：给一张零件照片，让你测出它的边长、内角、直径，看似简单，真正跑起来却到处是坑。这篇文章我想把自己用Python和OpenCV实现几何形状检测与尺寸测量的完整思路整理出来，包括图像预处理、轮廓发现、形状判定、边长直径和内角的计算逻辑，以及像素值怎么换算成毫米这种“文档里不会细讲”的关键问题。
内容主要面向有Python基础、想用OpenCV做物体测量或形状识别的开发者。看完你不仅能跑通代码，还能理解每个阶段为什么这么做，遇到光照不均、轮廓断边、测量精度差这类实际问题时，也能有明确的排查方向。
1. 拿到一张图，测量任务到底在测什么
很多初学者上来就写代码找轮廓，结果发现识别不准、数值乱跳。问题的根源往往不是代码写错了，而是没想清楚图像测量的本质逻辑。
1.1 图像测量不是“量像素”，而是“量物理世界”
图像中的一切测量最终都要落到像素坐标上。相机把三维世界投影成二维像素数组，我们测量的是“某个轮廓在图像里占了几个像素”。但用户要的边长、直径通常是毫米、厘米这类物理单位，所以图像测量本质上得做一次坐标变换。
这里有一个基本换算关系：实际尺寸 = 像素距离 × 像素/毫米比例。也就是说，想测出真实物理尺寸，必须先知道每个像素代表多少毫米，这个比例通常靠图像中的已知尺寸参考物标定。
如果被测物体和相机距离固定、焦距固定，像素比例就是一个稳定值。一旦物体离相机近了或远了，比例就变了，测量值也会跟着飘。这是所有图像测量的基础约束，后面所有精度问题都绕不开这一点。
1.2 这条技术链路要打通哪几个环节
从原始图像到测量数值，中间要经历四个环节：
- 图像预处理：把彩色图转成灰度图、去除噪声、增强目标与背景的对比度，为后续提取做好铺垫。
- 轮廓发现：找到图像中所有对象的边界像素集合。OpenCV里最常用的是
findContours函数。 - 形状分类：根据轮廓的几何特征区分三角形、矩形、多边形、圆形。核心是
approxPolyDP多边形逼近，加上顶点数量或圆形度判定。 - 几何测量：对每个识别出的形状计算边长、内角、直径，并用标定比例换算成物理尺寸。
这四个环节不是孤立的，前面一步的质量直接决定后面一步的准确性。比如预处理没做好，轮廓就会断或者多出毛刺。我在实际项目中见过最多的问题就是：approxPolyDP参数调不对，矩形被识别成五边形或者三角形，后面测出来的边长、内角自然全是错的。所以，下面从预处理开始逐个拆解。
2. 让图像里只有形状：预处理与轮廓发现的细节
轮廓提取的前提是目标与背景分离。如果图像里物体颜色和背景接近，或者光照不均匀，直接做轮廓提取会得到一堆碎边，这是图像测量最常遇到的第一道坎。
2.1 灰度、滤波、二值化：为什么顺序不能乱
常规流程是这样的：
cvtColor转灰度：把三通道的颜色信息降成单通道灰度。很多教程直接就做这一步，但要注意，如果目标颜色与背景颜色差异明显，也可以先做颜色通道分离或HSV色彩空间提取，效果比单纯灰度化更好。GaussianBlur高斯滤波：去除传感器噪声和细小纹理干扰。这个操作非常关键，不滤波直接做边缘检测，会检测出大量由噪点产生的假边缘。threshold或Canny得到二值图：让目标区域变成白色、背景变成黑色，方便轮廓算法找到对象的边界。
顺序上，滤波必须在阈值化之前。因为高斯模糊的作用是把噪声平滑掉，如果先做阈值，噪声会被放大成黑白噪块，再滤波也救不回来了。
阈值选择也有讲究。如果目标与背景灰度差异明显，用固定阈值cv2.THRESH_BINARY就行。如果光照不均，固定阈值会出错——亮的区域全被当成目标，暗的区域目标消失。这时候推荐cv2.adaptiveThreshold自适应阈值，或者用Otsu自动计算最优阈值。Otsu适合灰度直方图呈现双峰分布的图像，实测稳定，简单场景够用。
2.2 轮廓提取：findContours的正确打开方式
二值图准备好后，直接用cv2.findContours提取轮廓：
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)有两个选择需要解释清楚。
第一个是mode参数。RETR_EXTERNAL只取最外层轮廓，适合测量规则物体，因为内层轮廓通常是文字、孔洞、纹理之类的干扰。RETR_LIST取所有轮廓，适合需要检测内部孔洞或多目标叠放的场景。我做测量时习惯用RETR_EXTERNAL，省去后续大量过滤工作。
第二个是method参数。CHAIN_APPROX_SIMPLE会压缩轮廓点，只保留端点，比如矩形只保留四个顶点。CHAIN_APPROX_NONE保留所有边界点。测量场景下用SIMPLE就够了，点少了计算还快。
提取完后通常有一堆小轮廓，来源于噪点和微小杂块。我会先按轮廓面积从大到小排序，再过滤掉面积小于某个阈值的轮廓。这里我一个常用的经验：面积阈值可以先按图像总面积的0.1%~0.5%来设置，再根据实际效果微调。
2.3 多边形逼近：approxPolyDP的epsilon参数是怎么决定形状识别结果的
拿到轮廓之后，下一步是把轮廓拟合成多边形。approxPolyDP做的是“用更少的点去逼近原轮廓”，逼近的精度由epsilon控制：
epsilon = 0.02 * cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, epsilon, True)epsilon的含义是“原轮廓上的点到逼近多边形对应边的最大允许距离”。它越大，逼近越粗糙，得到的顶点越少；它越小，逼近越精细，顶点越多。通常取轮廓周长的1%~5%。
这个参数直接决定形状分类的成败。给个具体例子：一个矩形轮廓如果边缘有轻微锯齿，epsilon取太小，可能拟合出5、6个顶点，被误判成五边形；取太大，三角形可能被拟合成一条近似直线或四边形。所以epsilon要根据轮廓的实际平滑度做调整。固定的0.02倍周长能覆盖多数情况，但对噪声敏感的图像不够。
我实测中遇到过的情况是：矩形在epsilon=0.01时识别出6个点，调到0.03后才稳定成4个点。反过来，一个梯形用0.05就可能被逼成三角形。所以遇到识别不稳定时，优先检查epsilon。
3. 判断“这是什么形状”：识别逻辑与鲁棒性取舍
形状分类是测量前的关键一步。识别错了形状，后续算边长、内角就失去了意义。
3.1 顶点数量判定：三角形、四边形……多边形
多边形逼近完成后，统计顶点的数量就能判断大致形状：
- 3个顶点：三角形
- 4个顶点：四边形（矩形、梯形、平行四边形都有可能）
- 5个及以上：多边形
但实际图像往往没那么干净。由于透视、噪声、边缘毛刺的存在，一个矩形可能被拟合成5个点，其中一个点几乎在一条边上，角度接近180度。我遇到这种情况时会做一个“伪点合并”处理：遍历相邻三个顶点形成的角度，如果某个角度接近180度（比如大于170度），就认为中间那个点是冗余点，把它去掉，重新构建轮廓。
这个方法很朴素，但实测非常有用。它相当于在approxPolyDP的结果上再做一次“精炼”，能显著提高四边形识别率。
3.2 圆的检测：HoughCircles还是轮廓拟合
圆形没有顶点，需要单独处理。两种主流方案：
第一种是cv2.HoughCircles，基于霍夫变换在参数空间找圆。它对残缺圆和噪声有较好的容忍度，但参数非常敏感，尤其是minDist、param1、param2这三个值，换一张图可能就得重新调一遍。
第二种是轮廓拟合。先找到轮廓，用cv2.minEnclosingCircle(contour)得到最小外接圆和半径，再算圆形度：
area = cv2.contourArea(contour) circle_area = math.pi * radius * radius circularity = area / circle_area如果circularity大于0.85（具体阈值看应用场景），就判定为圆。这种方法的好处是不用调霍夫参数，而且直接得到了半径，方便后续测直径。
我个人更偏向轮廓拟合法，因为它与前面的轮廓提取流程浑然一体，代码统一，逻辑也更直观。但要注意，圆形度对轮廓质量的要求比较高，如果图像中圆形边缘有缺口，circularity会明显下降。此时可以先做一次cv2.morphologyEx闭运算，把断裂的边缘连起来。
3.3 小面积噪点过滤与形态学清理
实际图像中，轮廓提取结果往往混有各种噪声轮廓——灰尘、反光点、文字笔划等。对此我有个三步处理习惯：
- 面积过滤：丢掉面积小于阈值的轮廓。
- 形态学处理：用
cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)做闭运算，消除目标内部的黑色空洞；再用MORPH_OPEN开运算，去掉孤立的小白点。操作顺序不要颠倒，先闭后开对颗粒噪声更友好。 - 轮廓平滑：对二值图做一次高斯模糊再二值化，能让轮廓边缘更平滑，减少后续多边形逼近时的顶点抖动。
这一步做完，后面的形状分类和测量就轻松很多。测量精度的提升往往不是靠高深算法，而是这些预处理细节的累积。
4. 从轮廓到尺寸：边长、直径、内角的数学实现
形状认出来了，接下来就是纯数学计算。这一步虽然简单，但有个最容易翻车的地方——顶点顺序。
4.1 边长：欧氏距离与顶点对
对于多边形，边长就是相邻两个顶点的欧氏距离：
def point_distance(p1, p2): return math.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2)如果轮廓有n个顶点，依次计算(v0,v1),(v1,v2),...,(v_{n-2},v_{n-1})的距离，最后再补上(v_{n-1},v0)，就得到全部n条边长。
这里要注意的是approxPolyDP返回的顶点顺序虽然不是严格有序，但它基本是沿着轮廓走的，所以相邻顶点之间确实对应着一条实际边。如果顺序乱了，算出来的“边长”可能就是对角线了。为了稳妥起见，我会先把顶点按角度排序，下面内角计算部分会具体讲。
4.2 内角：向量点积与余弦定理，以及顶点顺序的重要性
内角用三个相邻顶点计算。设要计算角B，顶点是p1(A), p2(B), p3(C)，角B由向量BA和BC构成：
def angle_between_three_points(p1, p2, p3): v1 = (p1[0] - p2[0], p1[1] - p2[1]) v2 = (p3[0] - p2[0], p3[1] - p2[1]) dot = v1[0] * v2[0] + v1[1] * v2[1] len1 = math.sqrt(v1[0] ** 2 + v1[1] ** 2) len2 = math.sqrt(v2[0] ** 2 + v2[1] ** 2) cos_angle = max(-1.0, min(1.0, dot / (len1 * len2))) return math.degrees(math.acos(cos_angle))dot / (len1 * len2)的结果用max(-1.0, min(1.0, ...))夹一下，是防止浮点误差导致acos参数超出[-1,1]范围。
顶点顺序的重要性在这里体现得很明显。如果顶点是无序的，相邻的“三个点”未必是真正的相邻顶点，算出来的角度就成了乱码。所以我在计算前会做一个处理：先把轮廓所有顶点按绕质心的极角排序，也就是按atan2(y - cy, x - cx)排成顺时针或逆时针序列。排序后，p[i-1]、p[i]、p[i+1]就是真实的相邻关系，计算的每个内角才可靠。
4.3 直径：最小外接圆与Hough检测的对比计算
圆形物体的直径处理起来最简单。用minEnclosingCircle得到半径，直径就是2 * radius：
(x, y), radius = cv2.minEnclosingCircle(contour) diameter = 2 * radius如果你用的是HoughCircles，它直接返回圆的圆心和半径，计算后同样乘2即可。
不过这里有个细节要注意：minEnclosingCircle算的是“轮廓的外接最小圆”，如果轮廓边缘有缺口或凸起，圆的半径会偏大。这种情况下，可以先对轮廓做cv2.convexHull凸包操作，把缺口填补成凸多边形，再计算外接圆，这样得到的半径更接近真实值。这个操作在处理带有凹槽或毛边的圆形零件时效果明显。
5. 像素值换算成毫米：透视、标定与精度坑
计算做完，得到的是像素值。想输出“边长=25.4mm”这种结果，必须经历标定这一步。很多教程不讲这部分，导致读者跑通代码后测一组数，发现和真实尺寸对不上，就开始怀疑算法本身有问题。其实不是算法的问题，是少了标定。
5.1 像素比例测距法的前提与局限
最常用的标定方法是像素比例测距法：在图像中放置一个已知物理尺寸的参考物（比如一枚直径精确为20mm的硬币），测出它所占的像素数，比例就是：
scale = 实际尺寸 / 像素尺寸 # 单位：mm/pixel之后测量任意目标时，像素距离乘上这个比例就得到真实尺寸。
这个方法的成立前提是：参考物与被测物体处于同一平面、同一高度。如果被测物体比参考物更靠近相机，它在图像中会显得更大，用参考物算出的比例去测它，结果会偏大。这也是用单目相机做测量最根本的局限性。
所以在实际项目中，我通常会把参考物和被测量零件放在同一个平整平面上，并且保证相机光轴尽量垂直于这个平面。这样得到的比例才有意义。
5.2 透视变形怎么影响测量结果
假设相机没有正对着被测平面，而是倾斜了一定角度。此时矩形在图像里会变成梯形，圆形会变成椭圆。虽然多边形逼近依然能找到4个顶点，但算出来的边长比例、内角数值全是扭曲的——矩形的四个直角可能变成70度和110度。
这种情况下，需要做透视校正。方法是对参考物（常见用棋盘格或已知尺寸的矩形卡片）进行cv2.getPerspectiveTransform和cv2.warpPerspective，先把图像校正成俯视视角，再做测量。这一步能大幅提升测量精度，代价是需要额外的标定步骤，代码也多了一些复杂度。
严格来说这属于相机标定的范畴，和本项目的核心代码是两层东西。但在要求较高精度时（误差小于3%），透视校正几乎是必经之路。
5.3 标定物摆放的实操准则
结合自己做过的项目，标定物摆放有这几个实操建议：
- 参考物必须清晰可见，边缘不能被遮挡，否则像素尺寸会测不准。
- 参考物尽量大一些，占据图像面积的20%~40%为佳。参考物太小，像素尺寸误差会被放大，比例计算的偏差也更大。
- 参考物和被测量物要同时出现在同一张图像里，避免移动相机或物体后比例发生改变。
- 如果条件允许，用高对比度参考物——比如黑色背景上的白色圆形片——这样轮廓提取精度更高，标定也更稳定。
实现时，我习惯把参考物单独检测并计算scale，然后用同一个拍摄条件下的比例去测其他所有目标。这样写代码也简单：先识别参考物，算比例；再识别目标物，算尺寸；整个流程串起来就是一条流水线。
6. 完整可运行的代码示例：直接抄作业
前五章把原理讲透了，这章给出一个完整的Python实现。它能够检测图像中的三角形、四边形、多边形和圆形，输出每个形状的边长、内角、直径，并结合参考物比例输出毫米值。
6.1 主流程代码
import cv2 import numpy as np import math def order_points_clockwise(pts): """按绕质心的角度排序轮廓顶点，保证计算内角时顶点相邻""" cx = sum(p[0] for p in pts) / len(pts) cy = sum(p[1] for p in pts) / len(pts) return sorted(pts, key=lambda p: math.atan2(p[1] - cy, p[0] - cx)) def point_distance(p1, p2): return math.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2) def angle_between_three_points(p1, p2, p3): """计算 p2 为顶点的内角，单位为度""" v1 = (p1[0] - p2[0], p1[1] - p2[1]) v2 = (p3[0] - p2[0], p3[1] - p2[1]) dot = v1[0] * v2[0] + v1[1] * v2[1] len1 = math.sqrt(v1[0] ** 2 + v1[1] ** 2) len2 = math.sqrt(v2[0] ** 2 + v2[1] ** 2) if len1 == 0 or len2 == 0: return 0.0 cos_angle = max(-1.0, min(1.0, dot / (len1 * len2))) return math.degrees(math.acos(cos_angle)) def merge_nearly_collinear_points(approx, angle_threshold=170.0): """合并接近180度的冗余点，提升形状识别稳定性""" pts = [tuple(p[0]) for p in approx] n = len(pts) merged = True while merged and n > 3: merged = False for i in range(n): prev = pts[(i - 1) % n] cur = pts[i] nxt = pts[(i + 1) % n] angle = angle_between_three_points(prev, cur, nxt) if angle > angle_threshold: pts.pop(i) merged = True break n = len(pts) return pts def detect_and_measure(image_path, scale_mm_per_pixel=None): img = cv2.imread(image_path) if img is None: print("图片读取失败") return height, width = img.shape[:2] # 1. 预处理 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 形态学闭运算 + 开运算，清理边缘和噪点 kernel = np.ones((5, 5), np.uint8) binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 2. 轮廓提取 contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 3. 按面积过滤 min_area = (height * width) * 0.001 valid_contours = [c for c in contours if cv2.contourArea(c) > min_area] valid_contours.sort(key=cv2.contourArea, reverse=True) results = [] for contour in valid_contours: area = cv2.contourArea(contour) perimeter = cv2.arcLength(contour, True) if perimeter == 0: continue # 多边形逼近 epsilon = 0.02 * perimeter approx = cv2.approxPolyDP(contour, epsilon, True) pts = merge_nearly_collinear_points(approx) if len(pts) < 3: continue # 4. 形状分类 + 测量 if len(pts) == 3: shape_name = "Triangle" side_lengths = [ point_distance(pts[i], pts[(i + 1) % 3]) for i in range(3) ] angles = [ angle_between_three_points(pts[(i - 1) % 3], pts[i], pts[(i + 1) % 3]) for i in range(3) ] results.append({ "type": shape_name, "vertices": pts, "sides": side_lengths, "angles": angles, "diameter": None }) elif len(pts) == 4: shape_name = "Quadrilateral" ordered = order_points_clockwise(pts) side_lengths = [ point_distance(ordered[i], ordered[(i + 1) % 4]) for i in range(4) ] angles = [ angle_between_three_points(ordered[(i - 1) % 4], ordered[i], ordered[(i + 1) % 4]) for i in range(4) ] results.append({ "type": shape_name, "vertices": ordered, "sides": side_lengths, "angles": angles, "diameter": None }) else: # 5个点以上先检查圆形度，更像圆就按圆处理 (cx, cy), radius = cv2.minEnclosingCircle(contour) circle_area = math.pi * radius * radius circularity = area / circle_area if circle_area > 0 else 0 if circularity > 0.85: shape_name = "Circle" results.append({ "type": shape_name, "vertices": None, "sides": None, "angles": None, "diameter": 2 * radius }) else: shape_name = f"Polygon({len(pts)})" ordered = order_points_clockwise(pts) side_lengths = [ point_distance(ordered[i], ordered[(i + 1) % len(ordered)]) for i in range(len(ordered)) ] angles = [ angle_between_three_points( ordered[(i - 1) % len(ordered)], ordered[i], ordered[(i + 1) % len(ordered)] ) for i in range(len(ordered)) ] results.append({ "type": shape_name, "vertices": ordered, "sides": side_lengths, "angles": angles, "diameter": None }) # 5. 输出结果 for idx, r in enumerate(results): print(f"形状 {idx + 1}: {r['type']}") if r["diameter"] is not None: if scale_mm_per_pixel: print(f" 直径 = {r['diameter']:.2f} px ({r['diameter'] * scale_mm_per_pixel:.2f} mm)") else: print(f" 直径 = {r['diameter']:.2f} px") if r["sides"]: print(f" 边长(px): " + ", ".join([f"{s:.2f}" for s in r["sides"]])) if scale_mm_per_pixel: print(f" 边长(mm): " + ", ".join([f"{s * scale_mm_per_pixel:.2f}" for s in r["sides"]])) if r["angles"]: print(f" 内角(deg): " + ", ".join([f"{a:.2f}" for a in r["angles"]])) # 6. 可视化结果 output = img.copy() for r in results: if r["vertices"]: pts_arr = np.array(r["vertices"], dtype=np.int32).reshape(-1, 1, 2) cv2.polylines(output, [pts_arr], True, (0, 255, 0), 2) label = r["type"] if r["diameter"] is not None: label = r["type"] cx = int(sum(p[0] for p in r["vertices"]) / len(r["vertices"])) cy = int(sum(p[1] for p in r["vertices"]) / len(r["vertices"])) cv2.putText(output, label, (cx - 20, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imshow("Result", output) cv2.waitKey(0) cv2.destroyAllWindows() if __name__ == "__main__": # scale_mm_per_pixel 由参考物标定得到，例如参考物直径20mm，像素直径100px，则填0.2 detect_and_measure("shapes.png", scale_mm_per_pixel=None)这段代码把前面几章讲的所有环节串在了一起。实际使用时，要注意这几个地方：第一，merge_nearly_collinear_points里的角度阈值要根据轮廓质量调整，轮廓越毛糙，阈值可以设得越宽松；第二，min_enclosing_circle的圆形度阈值也不是固定值，有的圆形表面反光严重时，阈值降到0.75更合理；第三，scale_mm_per_pixel建议通过检测参考物轮廓后自动计算，不要硬编码。
6.2 一个典型的输出示例
假设图像里有一个边长约50像素的三角形、一个边长约80×40像素的矩形和一个直径约100像素的圆，输出效果类似这样：
形状 1: Triangle 边长(px): 49.85, 50.12, 50.03 内角(deg): 60.10, 59.95, 59.95 形状 2: Quadrilateral 边长(px): 80.02, 39.98, 80.05, 39.90 内角(deg): 90.05, 89.95, 89.98, 90.02 形状 3: Circle 直径 = 100.24 px如果scale_mm_per_pixel=0.2，边长和直径就会再输出一行毫米值，三角形的三条边都接近10mm，矩形是16mm×8mm，圆形直径约20.05mm。
从输出可以看出，数据处理得越干净，测量结果就越接近理论值。如果内角出现明显偏离（比如矩形出现88度和92度），大半原因是轮廓提取时边缘有毛边或者透视变形。这类问题不是算法能完全弥补的，要从图像采集阶段就想办法解决。
6.3 几个实测下来最有用的经验
最后分享三条实测经验。
第一，cv2.putText不支持直接输出中文，会在图像上显示乱码。如果要在结果图上注释中文，需要借助PIL把中文绘制到图像上，或者干脆用英文标签代替。生产项目中我一般用英文或拼音，省事且稳定。
第二，参考物自动标定的代码并不复杂：用同样的轮廓检测流程找到参考物，测出它的像素直径或边长，再用已知物理尺寸除以像素尺寸得到比例。这样整个程序可以做到“一键出结果”，不需要人工填参数，也减少出错机会。
第三，任何测量系统都要做重复性验证。同一张图片应该每次跑出相同结果，这是确定性的；但换一个角度重新拍照，结果可能会变。所以判断测量算法好坏的标准不是“它测出的数是不是恰好等于理论值”，而是“在同一环境下多次测量的方差够不够小”。如果方差大，先回到预处理环节找原因，不要盲目调测量代码。
图像测量的边界不在算法层面，而在图像质量本身。预处理每多做一步，数据越干净，识别和测量就越稳。
这条链路跑通之后，稍微扩展一下思路——把视频流的每帧都丢进这个检测函数，就是一个小型的实时尺寸监测系统；再加上一个固定的参考物和工厂里的固定工位，就接近一条基础的视觉检测雏形了。做图像处理项目的乐趣就在这里，核心逻辑一旦打通，很多场景都能直接复用。
本文还有配套的精品资源，点击获取
