opencv学习十六：圆检测

圆检测

原理
圆周上任意三点所确定的圆，经Hough变换后在三维参数空间应对应一点。遍历圆周上所有点，任意三个点所确定的候选圆进行投票。遍历结束后，得票数最高点（理论上圆周上任意三点确定的圆在Hough变换后均对应三维参数空间中的同一点）所确定的圆即为该圆周上，绝大多数点所确定的圆（以下称为当选圆），即绝大多数点均在该当选圆的圆周上，以此确定该圆。

圆形的表达式为(x−xcenter)2+(y−ycenter)2=r2(x−xcenter)2+(y−ycenter)2=r2，一个圆环的确定需要三个参数。那么霍夫变换的累加器必须是三维的，但是这样的计算效率很低。
这里opencv中使用霍夫梯度的方法，这里利用了边界的梯度信息。
首先对图像进行canny边缘检测，对边缘中的每一个非0点，通过Sobel算法计算局部梯度。那么计算得到的梯度方向，实际上就是圆切线的法线。三条法线即可确定一个圆心，同理在累加器中对圆心通过的法线进行累加，就得到了圆环的判定。

在这里插入图片描述 2、opencv API
因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波。
基于效率考虑，Opencv中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步：
检测边缘，发现可能的圆心
基于第一步的基础上从候选圆心开始计算最佳半径大小
cv2.HoughCircles函数的参数

cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius)

image为输入图像，需要灰度图

method为检测方法,常用CV_HOUGH_GRADIENT

dp为检测内侧圆心的累加器图像的分辨率于输入图像之比的倒数，如dp=1，累加器和输入图像具有相同的分辨率，如果dp=2，累计器便有输入图像一半那么大的宽度和高度

minDist表示两个圆之间圆心的最小距离，圆心距离小于mimDist认为为同一个圆

param1有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半

param2有默认值100，它是method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示在检测阶段圆心的累加器阈值，它越小，就越可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了

minRadius有默认值0，圆半径的最小值

maxRadius有默认值0，圆半径的最大值

import cv2 as cv
import numpy as np


def detect_circles_demo(image):
    dst = cv.pyrMeanShiftFiltering(image, 10, 100)#均值偏移滤波
    cv.imshow("dst", dst)
    cimage = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)#灰度图
    circles = cv.HoughCircles(cimage, cv.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0)
    circles = np.uint16(np.around(circles))#取整
    for i in circles[0, :]:
        cv.circle(image, (i[0], i[1]), i[2], (0, 0, 255), 2)#在原图上画圆，圆心，半径，颜色，线框
        cv.circle(image, (i[0], i[1]), 2, (255, 0, 0), 2)#画圆心
    cv.imshow("circles", image)

src = cv.imread("C:/Users/lenovo/Desktop/opencv/daima/banknum/template-matching-ocr/images/circle.png")  #读取图片位置
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
detect_circles_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

我改了minDist的值，发现40的效果大于20
运行截图：
在这里插入图片描述

这是啥为什么右上角那个硬币没检测出来？
在这里插入图片描述
为什这么辣眼睛（不太清楚）

和别人的不一样QAQ
如果没有下面这一行

dst = cv.pyrMeanShiftFiltering(image, 10, 100)#均值偏移滤波

结果
在这里插入图片描述 原理：
meanShfit均值漂移算法是一种通用的聚类算法，它的基本原理是：对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。可以利用均值偏移算法的这个特性，实现彩色图像分割，
Opencv中对应的函数是pyrMeanShiftFiltering。这个函数严格来说并不是图像的分割，而是图像在色彩层面的平滑滤波，它可以中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域，
第一个参数src，输入图像，8位，三通道的彩色图像，并不要求必须是RGB格式，HSV、YUV等Opencv中的彩色图像格式均可；

第二个参数dst，输出图像，跟输入src有同样的大小和数据格式；

第三个参数sp，定义的漂移物理空间半径大小；

第四个参数sr，定义的漂移色彩空间半径大小；

第五个参数maxLevel，定义金字塔的最大层数；

第六个参数termcrit，定义的漂移迭代终止条件，可以设置为迭代次数满足终止，迭代目标与中心点偏差满足终止，或者两者的结合；

pyrMeanShiftFiltering函数的执行过程是这样的：

迭代空间构建
求取迭代空间的向量并移动迭代空间球体后重新计算向量，直至收敛（一个图像，然后选取一个球形，求得所有点相对于中心点的色彩向量之和后，移动选取的球形继续操作，有点类似卷积层）
更新输出图像dst上对应的初始原点P0的色彩值为本轮迭代的终点Pn的色彩值，如此完成一个点的色彩均值漂移。
4.输入图像src上其他点，依次执行步骤1,、2、3，遍历完所有点位后，整个均值偏移色彩滤波完成

半径越大，图像的细节就丢失的越多

opencv学习十六：圆检测

圆检测

猜你喜欢