如何使用OpenCV Python计算图像中物体的长宽比？

在图像处理中，计算目标物体的长宽比常常是非常重要的一项工作。比如在红外图像中，通过计算长宽比可以判断目标物体是人类还是动物，从而提高识别率。在计算长宽比时，OpenCV和Python的组合可以极大地简化计算过程。

导入库

首先，我们需要导入必要的库。使用cv2库来读取和处理图像，使用numpy库来进行数学计算。

import cv2
import numpy as np

读取图像

在计算长宽比之前，首先需要读取图像。使用cv2.imread函数来读取图像文件。在本例中，我们假设图像已经存储在当前目录中，文件名为image.jpg。

img = cv2.imread('image.jpg')

转换成灰度图像

计算长宽比时，我们只需要处理灰度图像即可。使用cv2.cvtColor函数将彩色图像转换成灰度图像：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值化处理

接下来，我们需要将灰度图像转换成二值图像。使用cv2.threshold函数将图像进行二值化处理。

ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

cv2.threshold函数的参数解释如下：

gray：灰度图像；
0：阈值，这里设置为0；
255：在阈值上方的像素的值；
cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU：使用cv2.THRESH_BINARY_INV反转图像，使用cv2.THRESH_OTSU方法自动计算阈值。

查找轮廓

在得到二值化图像之后，我们需要查找图像中的轮廓。使用cv2.findContours函数可以找到与给定图像中的所有轮廓。

_, contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cv2.findContours函数的参数解释如下：

thresh：二值图像，即上一步中得到的图像；
cv2.RETR_EXTERNAL：只返回最外层的轮廓；
cv2.CHAIN_APPROX_SIMPLE：只保留轮廓的拐点，压缩轮廓。

计算宽度和高度

在找到轮廓之后，我们就可以计算目标物体的长和宽。在本例中，我们假设只有一个轮廓，因此我们只会在找到的轮廓中计算长宽比。

cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h

cv2.boundingRect函数可以找到一个轮廓的边界框，其中x和y表示边框左上角的坐标，w和h表示边框的宽度和高度。最后，我们可以使用以下代码计算出长宽比：

aspect_ratio = float(w)/h

绘制矩形框

还可以在原图像中绘制边界框以展示目标物体。使用cv2.rectangle函数绘制矩形框。

cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.rectangle函数的参数解释如下：

img：表示需要将矩形框绘制在原图像上；
(x, y)：表示矩形框的左上角坐标；
(x+w, y+h)：表示矩形框的右下角坐标；
(0, 255, 0)：表示矩形框的颜色，这里设置为绿色；
2：表示矩形框的线宽。

完整代码

综合以上步骤，我们可以得到以下完整代码。

import cv2
import numpy as np

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
_, contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h

cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()