在传统的数字图像处理当中，边缘检测与形态学为两门非常重要的技术，在笔者的第一篇文章中已经重点介绍了各种边缘检测算子，因此这次笔者将结合一些较为简单的形态学算法，使用Matlab为大家介绍一个很有意思的测量目标尺寸的小项目，效果如下
图1 效果图
1.测距原理
在数字图像处理当中我们可知，在计算机眼中，每一张图片都实际上表现为一个庞大的矩阵，若在不知道测距物体距离的情况下，是不可能对图像中物体进行大小(size)的测量计算的，因此我们需要引入一个和比例尺类似的概念：pixels per metric ratio
意为给定度量单位的像素比率，在本篇文章中我们将给点度量单位设定为英寸(inch)，可以理解为参考物的作用`，给定图像中一参考物大小，便可测得其它目标物体的尺寸大小
其中，参考物需要有两个重要性质：
性质1：参考物尺寸
我们应该知道物体的尺寸（就是宽或高）包括测量的单位（如mm、英寸等）
性质2：易于识别
我们应该能够很容易地在图片中找到参照物体，无论是基于物体的位置（例如，参考物体总是放在图片的左上角）还是通过外观（例如，独特的颜色或形状，不同与图片中的其他物体）。无论是哪种情况，我们的参照物都应该以某种方式具有唯一的可识别性。
在本篇文章中，我们将硬币作为我们的参考物，已知其尺寸大小为1 inch*1 inch，并且为满足性质2，我们确保其始终置于图像最左侧
图2 测距原理
因此我们得到给定度量单位像素比例计算公式：
pixels per metric ratio = 硬币像素数/物体实际尺寸
已知硬币长宽均为1英寸，假设其在图像中像素宽为157px(基于其关联的检测框)，得：
pixels per metric ratio = 157px/1.000in = 157px/in
通过使用这一比例，我们便可计算图像中其它物体的尺寸大小信息了
2.利用计算机视觉测量物体的大小
现在我们理解了pixels per metric ratio比率的含义，但我们还需要对目标进行检测进行检测框长宽的提取，这一步我们将用到诸如灰度图变换、边缘检测、形态学等算法
首先我们定义硬币长宽，并且读取原始图像
coin_width=1.000;
coin_height=1.000;
I=imread('pathtoyourimage');
figure(1),imshow(I);title('原始图像');
图3 原始图像
之后我们使用rgb2gray(image)函数进行灰度图转换，并且通过imfilter(f, w，boundary_options)函数对图像进行高斯滤波，其中w为滤波器，由fspecial(type,parameters,sigma)生成，其中将type设为"gaussian"，sigma设为1，代码及效果如下
%转换为灰度图像
I1=rgb2gray(I);
%figure(2);imshow(I1);title('灰度图像');
sigma = 1;
gausFilter=fspecial('gaussian',[5 5],sigma);
I2= imfilter(I1, gausFilter, 'replicate');
figure(2);imshow(I2);title('高斯滤波后图像');
图4 高斯图像
对高斯滤波后的图像进行Canny边缘检测，使用edge(I,method,threshold)，，其中I为输入图像，method为指定算法，文章中使用"canny"进行边缘检测，而threshold为阈值，通常设为0.1，具体想了解各边缘检测算法详解请看这篇文章
Rustle：数字图像图像处理:边缘检测(Edge detection)zhuanlan.zhihu.com
