本发明涉及智能测量技术领域，特别涉及一种基于cv技术的尺寸测量方法、装置、计算机设备及介质。
背景技术：
传统的尺寸测量主要通过测量工具，如游标卡尺、块规、塞规、塞尺等，进行手动测量，在测量过程需要人工参与，操作过程也比较耗时，一般需要拿起游标卡尺卡住物体或者用尺子去测量，然后读出尺寸数据，测量误差大，且效率低。
技术实现要素：
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的第一个目的在于提出一种基于cv技术的尺寸测量方法，可以自动对被测物体的尺寸进行测量，降低人工的工作强度，使测量更加方便快捷，且测量精及效率高。
本发明的第二个目的在于提出一种基于cv技术的尺寸测量装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出了一种基于cv技术的尺寸测量方法，包括：
获取检测区域内测量工具与被测物体的图像信息；
根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
根据本发明第一方面实施例提出的一种基于cv技术的尺寸测量方法，将测量工具和被测物体放在检测区域，获取检测区域内测量工具与被测物体的图像信息；在图像信息中对测量工具及被测物体的所述区域进行识别，生成测量工具的第一边界框及被测物体的第二边界框，第一边界框内第一预设区域的像素点数量为第一数量，第二边界框内第二预设区域的像素点数量为第二数量，根据第一预设区域内测量工具的刻度信息、第一数量、第二数量，计算被测物体的尺寸信息。该基于cv技术的尺寸测量方法，运用图像识别技术，可以自动对被测物体的尺寸进行测量，降低人工的工作强度，使测量更加方便快捷，且测量精度及测量效率高。
根据本发明的一些实施例，所述根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框，包括：
对所述图像信息进行预处理；
获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
根据本发明的一些实施例，所述预处理包括图像滤波去噪、图像二值化和图像压缩处理。
根据本发明的一些实施例，所述图像压缩处理，通过计算将图像信息聚集在图像矩阵左上角的低频部分，展示图像中各像素点之间的规律特征；
计算公式如下：
p＝0，q＝0
p＝1,2···，h-1,q＝0
p＝0，q＝1,2···，z-1
p＝1,2···，h-1,q＝1,2···，z-1
其中，f(x，y)为时域中h、z点的序列函数，x＝0,1,2，···h-1，y＝0,1,2,···z-1，f(p，q)为(p，q)处的变换系数，可以得到变换后的系数矩阵，得到图像上的特征信息。
根据本发明的一些实施例，所述在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取，包括：采用训练后区域检测网络，对所述预处理后的图像信息中所述测量工具和所述被测物体进行特征提取。
根据本发明的一些实施例，获取所述训练后区域检测网络，包括：
获取n张已标注所述第一边界框和所述第二边界框的样本图像；
对所述样本图像按照预设区域检测网络进行检测，所述样本图像中分别生成第三边界框和第四边界框，n张样本图像中得到n个第三边界框和n个第四边界框；
计算n张样本图像中所述第一边界框和所述第三边界框的第一相似度信息；
计算n张样本图像中所述第二边界框和所述第四边界框的第二相似度信息；
根据所述第一相似度信息和所述第二相似度信息对所述预设区域检测网络进行训练，得到训练后的区域检测网络。
根据本发明的一些实施例，所述第一预设区域为a*l1的矩形区域，所述第二预设区域为a*l2的矩形区域；
所述测量工具的刻度信息包括所述测量工具的长度，所述被测物体的尺寸信息包括所述测量工具的长度；
所述被测物体的尺寸通过下述公式计算得出：
l2＝l1*s2/s1
其中，l1为所述测量工具的长度，l2为所述被测物体的长度，s1为所述第一数量，s2为所述第二数量。
为达到上述目的，本发明第二方面实施例提出了一种基于cv技术的尺寸测量装置，包括：
第一获取模块，用于获取检测区域内测量工具与被测物体的图像信息；
图像处理模块，用于根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
计算模块用于：
计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
根据本发明第二方面实施例提出的一种基于cv技术的尺寸测量装置，将测量工具和被测物体放在检测区域，获取检测区域内测量工具与被测物体的图像信息；在图像信息中对测量工具及被测物体的所述区域进行识别，生成测量工具的第一边界框及被测物体的第二边界框，第一边界框内第一预设区域的像素点数量为第一数量，第二边界框内第二预设区域的像素点数量为第二数量，根据第一预设区域内测量工具的刻度信息、第一数量、第二数量，计算被测物体的尺寸信息。该基于cv技术的尺寸测量装置，运用图像识别技术，可以自动对被测物体的尺寸进行测量，降低人工的工作强度，使测量更加方便快捷，且测量精度及测量效率高。
根据本发明的一些实施例，所述图像处理模块包括：
图像预处理模块，用于对所述图像信息进行预处理；
特征提取模块，用于获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
目标分类模块，用于对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
边界生成模块，用于生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器，处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。
该计算机设备与可以实现基于cv技术的尺寸测量方法的有益效果，此处不再赘述。
为达到上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
该计算机可读存储介质与可以实现基于cv技术的尺寸测量方法的有益效果，此处不再赘述。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明一个实施例的基于cv技术的尺寸测量方法的流程图；
图2是根据本发明又一个实施例的基于cv技术的尺寸测量方法的流程图；
图3是根据本发明一个实施例的获取训练后区域检测网络的流程图；
图4是根据本发明一个实施例的基于cv技术的尺寸测量装置的框图；
图5是根据本发明一个实施例的基于cv技术的尺寸测量装置的框图。
附图标记：
第一获取模块1、图像处理模块2、图像预处理模块21、特征提取模块22、目标分类模块23、边界生成模块24、计算模块3。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面参考图1至图5来描述本发明实施例提出的基于cv技术的尺寸测量方法、装置、计算机设备及介质。
在介绍本发明公开提供的基于cv技术的尺寸测量方法、装置、计算机设备及介质。之前，首先对本发明公开各个实施例所涉及的应用场景进行介绍。在应用场景中，计算机视觉(computervision)，用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使计算机处理成为更适合人眼观察或传送给仪器检测的图像。
图1是根据本发明一个实施例的基于cv技术的尺寸测量方法的流程图；如图1所示，本发明第一方面实施例提出了一种基于cv技术的尺寸测量方法，步骤包括s1-s5：
s1、获取检测区域内测量工具与被测物体的图像信息；
s2、根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
s3、计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
s4、计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
s5、根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
上述技术方案的工作原理:根据本发明第一方面实施例提出的一种基于cv技术的尺寸测量方法，将测量工具和被测物体放在检测区域，该检测区域可以是桌面上或者水平位置固定的生产线上，本发明对此不作限定。优选的，在检测区域中，测量工具和被测物体放置平行放置，且位置相近。获取检测区域内测量工具与被测物体的图像信息；在图像信息中对测量工具及被测物体的所述区域进行识别，生成测量工具的第一边界框及被测物体的第二边界框，第一边界框内第一预设区域的像素点数量为第一数量，第二边界框内第二预设区域的像素点数量为第二数量，根据第一预设区域内测量工具的刻度信息、第一数量、第二数量，计算被测物体的尺寸信息。
其中，可以通过摄像机、光电转换器件ccd(couplechargeddevice)、互补性氧化金属半导体cmos(complementarymetal-oxidesemiconductor)摄像头获取获取检测区域内测量工具与被测物体的图像信息，获取的图像信息精度高，易于对图像信息进行处理。
第一边界框是指对图像信息中的测量工具所在区域进行检测，通过边缘检测，确定测量工具在图像信息中的所在区域，并生成第一边界框将该区域用封闭线条框住。
第二边界框是指对图像信息中的被测物体所在区域进行检测，通过边缘检测，确定被测物体在图像信息中的所在区域，并生成第二边界框将该区域用封闭线条框住。
上述技术方案的有益效果：该基于cv技术的尺寸测量方法，运用图像识别技术，可以自动对被测物体的尺寸进行测量，降低人工的工作强度，使测量更加方便快捷，且测量精及效率高。
图2是根据本发明又一个实施例的基于cv技术的尺寸测量方法的流程图；如图2所示，所述根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框，步骤包括s6-s9：
s6、对所述图像信息进行预处理；
s7、获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
s8、对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
s9、生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
上述技术方案的工作原理及有益效果：对所述图像信息进行预处理，预处理包括图像滤波去噪和图像二值化处理，通过预处理可以对图像信息滤波，消除噪声，使图像轮廓或线条变得清晰，可以对图像信息进行选择性的加强或抑制，以改善图像的视觉效果，将图像信息转变为更适合机器处理的形式，以便于数据的提取或图像信息的识别。
输入感兴趣区域可以对图像中要选择的区域进行提取，去除无关区域，提高图像处理效率，示例的，感兴趣区域可以是包括测量工具和被测物体的矩形区域。在预处理后的图像信息中对测量工具和被测物体进行特征提取，特征提取依靠深度卷积神经网络来提取。深度卷积神经网络模型是以卷积层、池化层与全连接层为主搭建网络结构。其中，卷积层与池化层通常在深层网络中会交替出现多次，深度是指结构中有多层卷积层与池化层。全连接层出现在深度卷积神经网络模型的最后几层，主要是将卷积层输出的卷积特征图转换为固定长度的特征向量。图像信息中可以有多个被测物体和1个测量工具，在对特征提取后的测量工具和被测物体进行目标分类，具体的，特征提取后的测量工具在第一类，特征提取后的多个被测物体在第二类，进行目标分类，可以更有效的对多个被测物体的尺寸进行测量。生成第一类中测量工具的第一边界框及第二类中各个被测物体的第二边界框。
在一实施例中，所述预处理包括图像滤波去噪、图像二值化和图像压缩处理。
为了提高对图像的识别精度，对图像进行滤波去噪，图像的噪声主要是表面污损和图像阴影，表面污损基本是去不掉的，只能靠图像本身的纠错算法进行处理，为了减少噪声对图像的影响，用滤波算法进行处理。
图像滤波主要采用空域滤波对图像进行处理。
图像二值化处理通常是指图像各个像素只有两个灰度值的图像，二值化图像具有运算量小，处理速度快、占用存储空间小等优点，可以很方便的对二值化后的图像进行其他一些相关的处理，从而可以获得图像中重要的信息或者特征。
所述图像压缩处理，通过计算将图像信息聚集在图像矩阵左上角的低频部分，展示图像中各像素点之间的规律特征；
计算公式如下：
p＝0，q＝0
p＝1,2···，h-1,q＝0
p＝0，q＝1,2···，z-1
p＝1,2···，h-1,q＝1,2···，z-1
其中，f(x，y)为时域中h、z点的序列函数，x＝0,1,2，···h-1，y＝0,1,2,···z-1，f(p，q)为(p，q)处的变换系数，可以得到变换后的系数矩阵，得到图像上的特征信息。
上述技术方案的有益效果：图像可以分成8*8的子块，即p＝8，q＝8。p＝0，q＝0的点为直流系数，其余的点为交流系数，图像上的像素点之间具有相关性。通过计算公式进行变换有利于对图像信息进行压缩处理，使图像数据可以存储在窄小的存储空间，同时对图像信息进行压缩，使图像传输效率可以更加高效。
根据本发明的一些实施例，所述在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取，包括：采用训练后区域检测网络，对所述预处理后的图像信息中所述测量工具和所述被测物体进行特征提取。
上述技术方案的有益效果：采用训练后区域检测网络可以提升对区域的检测精度，进而提升图像识别的准确性。
图3是根据本发明一个实施例的获取训练后区域检测网络的流程图；如图3所示，获取所述训练后区域检测网络，步骤包括s10-s14：
s10、获取n张已标注所述第一边界框和所述第二边界框的样本图像；
s11、对所述样本图像按照预设区域检测网络进行检测，所述样本图像中分别生成第三边界框和第四边界框，n张样本图像中得到n个第三边界框和n个第四边界框；
s12、计算n张样本图像中所述第一边界框和所述第三边界框的第一相似度信息；
s13、计算n张样本图像中所述第二边界框和所述第四边界框的第二相似度信息；
s14、根据所述第一相似度信息和所述第二相似度信息对所述预设区域检测网络进行训练，得到训练后的区域检测网络。
上述技术方案的工作原理：获取n张样本图像，其中每个样本图像中标注有一个第一边界框和一个第二边界框，对样本图像按照预设区域检测网络进行检测，n张样本中分别生成第三边界框和第四边界框，计算n张样本图像中第一边界框和第三边界框的第一相似度信息；计算n张样本图像中第二边界框和第四边界框的第二相似度信息；根据第一相似度信息和第二相似度信息对预设区域检测网络进行训练，对预设区域检测网络进行微调，得到训练后的区域检测网络，有利于对图像信息中测量工具与被测物体的图像识别。
根据本发明的一些实施例，所述第一预设区域为a*l1的矩形区域，所述第二预设区域为a*l2的矩形区域；
所述测量工具的刻度信息包括所述测量工具的长度，所述被测物体的尺寸信息包括所述测量工具的长度；
所述被测物体的尺寸通过下述公式计算得出：
l2＝l1*s2/s1
其中，l1为所述测量工具的长度，l2为所述被测物体的长度，s1为所述第一数量，s2为所述第二数量。
示例的，第一预设区域的宽度与第二预设区域相同，根据测量工具的刻度信息、第一数量、第二数量，通过计算公式，可以准确的计算出被测物体的尺寸信息。
图4是根据本发明一个实施例的基于cv技术的尺寸测量装置的框图；如图4所示，本发明第二方面实施例提出了一种基于cv技术的尺寸测量装置，包括：
第一获取模块1，用于获取检测区域内测量工具与被测物体的图像信息；
图像处理模块2，用于根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
计算模块3用于：
计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
上述技术方案的工作原理:根据本发明第二方面实施例提出的一种基于cv技术的尺寸测量装置，将测量工具和被测物体放在检测区域，该检测区域可以是桌面上或者水平位置固定的生产线上，本发明对此不作限定。优选的，在检测区域中，测量工具和被测物体放置平行放置，且位置相近。获取检测区域内测量工具与被测物体的图像信息；在图像信息中对测量工具及被测物体的所述区域进行识别，生成测量工具的第一边界框及被测物体的第二边界框，第一边界框内第一预设区域的像素点数量为第一数量，第二边界框内第二预设区域的像素点数量为第二数量，根据第一预设区域内测量工具的刻度信息、第一数量、第二数量，计算被测物体的尺寸信息。
其中，第一获取模块1包括摄像机、光电转换器件ccd(couplechargeddevice)、互补性氧化金属半导体cmos(complementarymetal-oxidesemiconductor)摄像头，通过第一获取模块1获取检测区域内测量工具与被测物体的图像信息，获取的图像信息精度高，易于对图像信息进行处理。
第一边界框是指对图像信息中的测量工具所在区域进行检测，通过边缘检测，确定测量工具在图像信息中的所在区域，并生成第一边界框将该区域用封闭线条框住。
第二边界框是指对图像信息中的被测物体所在区域进行检测，通过边缘检测，确定被测物体在图像信息中的所在区域，并生成第二边界框将该区域用封闭线条框住。
上述技术方案的有益效果：该基于cv技术的尺寸测量装置，运用图像识别技术，可以自动对被测物体的尺寸进行测量，降低人工的工作强度，使测量更加方便快捷，且测量精度及测量效率高。
图5是根据本发明又一个实施例的基于cv技术的尺寸测量装置的框图；如图5所示，所述图像处理模块2包括：
图像预处理模块21，用于对所述图像信息进行预处理；
特征提取模块22，用于获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
目标分类模块23，用于对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
边界生成模块24，用于生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
上述技术方案的工作原理及有益效果：对所述图像信息进行预处理，预处理包括图像滤波去噪和图像二值化、图像压缩处理，通过预处理可以对图像信息滤波，消除噪声，使图像轮廓或线条变得清晰，可以对图像信息进行选择性的加强或抑制，以改善图像的视觉效果，将图像信息转变为更适合机器处理的形式，以便于数据的提取或图像信息的识别；图像压缩处理，使图像数据可以存储在窄小的存储空间，同时对图像信息进行压缩，使图像传输效率可以更加高效。
输入感兴趣区域可以对图像中要选择的区域进行提取，去除无关区域，提高图像处理效率，示例的，感兴趣区域可以是包括测量工具和被测物体的矩形区域。在预处理后的图像信息中对测量工具和被测物体进行特征提取，特征提取依靠深度卷积神经网络来提取。深度卷积神经网络模型是以卷积层、池化层与全连接层为主搭建网络结构。其中，卷积层与池化层通常在深层网络中会交替出现多次，深度是指结构中有多层卷积层与池化层。全连接层出现在深度卷积神经网络模型的最后几层，主要是将卷积层输出的卷积特征图转换为固定长度的特征向量。图像信息中可以有多个被测物体和1个测量工具，在对特征提取后的测量工具和被测物体进行目标分类，具体的，特征提取后的测量工具在第一类，特征提取后的多个被测物体在第二类，进行目标分类，可以更有效的对多个被测物体的尺寸进行测量。生成第一类中测量工具的第一边界框及第二类中各个被测物体的第二边界框。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器，处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。
该计算机设备与可以实现基于cv技术的尺寸测量方法的有益效果，此处不再赘述。
为达到上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
该计算机可读存储介质与可以实现基于cv技术的尺寸测量方法的有益效果，此处不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
1.一种基于cv技术的尺寸测量方法，其特征在于，包括：
获取检测区域内测量工具与被测物体的图像信息；
根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
2.如权利要求1所述的基于cv技术的尺寸测量方法，其特征在于，所述根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框，包括：
对所述图像信息进行预处理；
获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
3.如权利要求2所述的基于cv技术的尺寸测量方法，其特征在于，所述预处理包括图像滤波去噪、图像二值化和图像压缩处理。
4.如权利要求3所述的基于cv技术的尺寸测量方法，其特征在于，所述图像压缩处理，通过计算将图像信息聚集在图像矩阵左上角的低频部分，展示图像中各像素点之间的规律特征；
计算公式如下：
其中，f(x，y)为时域中h、z点的序列函数，x＝0,1,2，···h-1，y＝0,1,2,···z-1，f(p，q)为(p，q)处的变换系数，可以得到变换后的系数矩阵，得到图像上的特征信息。
5.如权利要求2所述的基于cv技术的尺寸测量方法，其特征在于，所述在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取，包括：采用训练后区域检测网络，对所述预处理后的图像信息中所述测量工具和所述被测物体进行特征提取。
6.如权利要求5所述的基于cv技术的尺寸测量方法，获取所述训练后区域检测网络，包括：
获取n张已标注所述第一边界框和所述第二边界框的样本图像；
对所述样本图像按照预设区域检测网络进行检测，所述样本图像中分别生成第三边界框和第四边界框，n张样本图像中得到n个第三边界框和n个第四边界框；
计算n张样本图像中所述第一边界框和所述第三边界框的第一相似度信息；
计算n张样本图像中所述第二边界框和所述第四边界框的第二相似度信息；
根据所述第一相似度信息和所述第二相似度信息对所述预设区域检测网络进行训练，得到训练后的区域检测网络。
7.如权利要求1所述的基于cv技术的尺寸测量方法，其特征在于，所述第一预设区域为a*l1的矩形区域，所述第二预设区域为a*l2的矩形区域；
所述测量工具的刻度信息包括所述测量工具的长度，所述被测物体的尺寸信息包括所述测量工具的长度；
所述被测物体的尺寸通过下述公式计算得出：
l2＝l1*s2/s1
其中，l1为所述测量工具的长度，l2为所述被测物体的长度，s1为所述第一数量，s2为所述第二数量。
8.一种基于cv技术的尺寸测量装置，其特征在于，包括：
第一获取模块，用于获取检测区域内测量工具与被测物体的图像信息；
图像处理模块，用于根据所述图像信息，得到所述测量工具的第一边界框及所述被测物体的第二边界框；
计算模块用于：
计算所述第一边界框内第一预设区域的像素点数量，得到第一数量；
计算所述第二边界框内第二预设区域的像素点数量，得到第二数量；
根据所述第一预设区域内所述测量工具的刻度信息、所述第一数量和所述第二数量，计算所述被测物体的尺寸信息。
9.如权利要求7所述的基于cv技术的尺寸测量装置，其特征在于，所述图像处理模块包括：
图像预处理模块，用于对所述图像信息进行预处理；
特征提取模块，用于获取预处理后的图像信息，在所述预处理后的图像信息中对所述测量工具和所述被测物体进行特征提取；
目标分类模块，用于对特征提取后的所述测量工具和所述被测物体进行目标分类，分别生成第一类和第二类；
边界生成模块，用于生成第一类中所述测量工具的第一边界框及第二类中所述被测物体的第二边界框。
10.一种计算机设备，包括存储器，处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
技术总结