OpenCV入门（十九）快速学会OpenCV 18 圆环检测
OpenCV入门（十九）快速学会OpenCV 18 圆环检测
作者：Xiou
1.霍夫圆环变换概述
霍夫变换除了用来检测直线外，也能用来检测其他几何对象。实际上，只要是能够用一个参数方程表示的对象，都适合用霍夫变换来检测。用霍夫圆变换来检测图像中的圆，与使用霍夫直线变换检测直线的原理类似。
在霍夫圆变换中，需要考虑圆半径和圆心（x坐标、y坐标）共3个参数。在OpenCV中，采用的策略是两轮筛选。第1轮筛选找出可能存在圆的位置（圆心）；第2轮再根据第1轮的结果筛选出半径大小。
与用来决定是否接受直线的两个参数“接受直线的最小长度（minLineLength）”和“接受直线时允许的最大像素点间距（MaxLineGap）”类似，霍夫圆变换也有几个用于决定是否接受圆的参数：圆心间的最小距离、圆的最小半径、圆的最大半径。
在OpenCV中，实现霍夫圆变换的是函数cv2.HoughCircles()，该函数将Canny边缘检测和霍夫变换结合。其语法格式为：
circles=cv2.HoughCircles(image,
method,
dp,
minDist,
param1,
param2,
minRadius,
maxRadius)
● image：输入图像，即源图像，类型为8位的单通道灰度图像。
● method：检测方法。截止到OpenCV 4.0.0-pre版本，HOUGH_GRADIENT是唯一可用的参数值。该参数代表的是霍夫圆检测中两轮检测所使用的方法。
● dp：累计器分辨率，它是一个分割比率，用来指定图像分辨率与圆心累加器分辨率的比例。例如，如果dp=1，则输入图像和累加器具有相同的分辨率。
● minDist：圆心间的最小间距。该值被作为阈值使用，如果存在圆心间距离小于该值的多个圆，则仅有一个会被检测出来。因此，如果该值太小，则会有多个临近的圆被检测出来；如果该值太大，则可能会在检测时漏掉一些圆。
● param1：该参数是缺省的，在缺省时默认值为100。它对应的是Canny边缘检测器的高阈值（低阈值是高阈值的二分之一）。
● param2：圆心位置必须收到的投票数。只有在第1轮筛选过程中，投票数超过该值的圆，才有资格进入第2轮的筛选。因此，该值越大，检测到的圆越少；该值越小，检测到的圆越多。这个参数是缺省的，在缺省时具有默认值100。
● minRadius：圆半径的最小值，小于该值的圆不会被检测出来。该参数是缺省的，在缺省时具有默认值0，此时该参数不起作用。
● maxRadius：圆半径的最大值，大于该值的圆不会被检测出来。该参数是缺省的，在缺省时具有默认值0，此时该参数不起作用。
● circles：返回值，由圆心坐标和半径构成的numpy.ndarray。
2.代码实现
霍夫圆变换 (Hough Circle Transform) 的原理和霍夫直线变换类似. 对于一条直线, 我们可以用参数 (r, θ) 表示, 对于圆我们需要三个参数 (x, y, r), 分别代表三个参数 x 圆心, y 圆心, r, 半径。
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实现, 分为两步:
1.检测变换, 发现可能的圆心；
2.基于第一步的基础上从候选圆心开始计算最佳半径大小。
代码一：
import numpy as np
import cv2
# 读取图片
image = cv2.imread("aodi.jpg")
image_gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image_gray=cv2.medianBlur(image_gray,5)
# 均值迁移滤波
#filter = cv2.pyrMeanShiftFiltering(image, 10, 100)
# 转换成灰度图
#filter_gray = cv2.cvtColor(filter, cv2.COLOR_BGR2GRAY)
# 霍夫曼圆圈检测
circles = cv2.HoughCircles(image_gray, cv2.HOUGH_GRADIENT, 1, 120, param1=100, param2=30, minRadius=0, maxRadius=0)
circles = np.uint16(np.around(circles))
# 遍历
for circle in circles[0, :]:
cv2.circle(image, (circle[0], circle[1]), circle[2], (0, 0, 255), 2)
cv2.circle(image, (circle[0], circle[1]), 2, (255, 0, 0), 2)
cv2.imwrite('img_circles.jpg', image)
cv2.imshow('HoughCircles', image)
cv2.waitKey()
cv2.destoryALLWindows()
输出结果：
代码二：
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 读取图片
image = cv2.imread("aodi.jpg")
image_copy = image.copy()
# 均值迁移滤波
filter = cv2.pyrMeanShiftFiltering(image, 10, 100)
# 转换成灰度图
filter_gray = cv2.cvtColor(filter, cv2.COLOR_BGR2GRAY)
# 霍夫曼圆圈检测
circles = cv2.HoughCircles(filter_gray, cv2.HOUGH_GRADIENT, 1, 20, param1=100, param2=50, minRadius=0, maxRadius=0)
circles = np.uint16(np.around(circles))
# 遍历
for circle in circles[0, :]:
cv2.circle(image_copy, (circle[0], circle[1]), circle[2], (0, 0, 255), 2)
cv2.circle(image_copy, (circle[0], circle[1]), 2, (255, 0, 0), 2)
# 图片展示
f, ax = plt.subplots(2, 2, figsize=(12, 12))
# 子图
ax[0, 0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax[0, 1].imshow(cv2.cvtColor(filter, cv2.COLOR_BGR2RGB))
ax[1, 0].imshow(filter_gray, "gray")
ax[1, 1].imshow(cv2.cvtColor(image_copy, cv2.COLOR_BGR2RGB))
# 标题
ax[0, 0].set_title("original")
ax[0, 1].set_title("image filter")
ax[1, 0].set_title("image gray")
ax[1, 1].set_title("image circle")
plt.show()
# 保存结果
cv2.imwrite("map_result.jpg", image_copy)
输出结果：
