如何计算两条曲线间的最小距离/最小像素数以确定桥的直径

核心思路 #

通过分离目标轮廓、计算点对距离（或借助距离变换）得到两条曲线的最小像素距离，再按需转换为实际物理尺寸。

步骤1：分离桥的两条侧曲线 #

从Canny检测得到的轮廓中，筛选出对应桥两侧的目标曲线。可通过轮廓的位置、面积或外接矩形区分：

import cv2
import numpy as np

# 假设已得到Canny边缘图canny_img和原始图像img
contours, _ = cv2.findContours(canny_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
img_height, img_width = img.shape[:2]

# 按左右位置筛选两条曲线（可根据实际场景调整逻辑）
contour_left, contour_right = None, None
for cnt in contours:
    x, _, _, _ = cv2.boundingRect(cnt)
    if x < img_width // 2:
        contour_left = cnt
    else:
        contour_right = cnt

步骤2：计算最小距离（两种实现方式） #

方式1：遍历点对计算欧氏距离（适合点量少的情况）

先提取曲线点集，可通过多边形逼近降采样减少计算量，再遍历所有点对找最小距离：

# 提取轮廓点集
def get_contour_points(contour):
    return [(p[0][0], p[0][1]) for p in contour]

# 多边形逼近降采样（可选，epsilon越小保留细节越多）
epsilon_left = 0.001 * cv2.arcLength(contour_left, closed=True)
approx_left = cv2.approxPolyDP(contour_left, epsilon_left, closed=True)
pts_left = get_contour_points(approx_left)

epsilon_right = 0.001 * cv2.arcLength(contour_right, closed=True)
approx_right = cv2.approxPolyDP(contour_right, epsilon_right, closed=True)
pts_right = get_contour_points(approx_right)

# 计算最小距离
min_dist = float('inf')
for p1 in pts_left:
    for p2 in pts_right:
        dist = np.sqrt((p1[0]-p2[0])**2 + (p1[1]-p2[1])**2)
        if dist < min_dist:
            min_dist = dist

方式2：距离变换法（高效，适合点量多的情况）

利用距离变换图直接获取另一条曲线上点的最小距离：

# 创建仅包含左侧曲线的掩码
mask_left = np.zeros_like(canny_img)
cv2.drawContours(mask_left, [contour_left], -1, 255, thickness=cv2.FILLED)

# 生成距离变换图（背景到左侧曲线的距离）
dist_transform = cv2.distanceTransform(255 - mask_left, cv2.DIST_L2, 5)

# 遍历右侧曲线的点，取最小距离
min_dist = float('inf')
for p in contour_right:
    x, y = p[0][0], p[0][1]
    current_dist = dist_transform[y, x]
    if current_dist < min_dist:
        min_dist = current_dist

步骤3：转换为实际物理尺寸（可选） #

若需要真实桥直径，需提前确定图像的像素比例尺（例如：已知图像中10cm的物体对应50像素，则比例尺为0.2cm/像素），计算：

scale = 0.2  # 示例：1像素对应0.2厘米
actual_diameter = min_dist * scale

内容的提问来源于stack exchange，提问作者user21094827