使用 OpenCV 进行圆检测
Circle detection with OpenCV
如何提高以下圆形检测代码的性能
from matplotlib.pyplot import imshow, scatter, show
import cv2
image = cv2.imread('points.png', 0)
_, image = cv2.threshold(image, 254, 255, cv2.THRESH_BINARY)
image = cv2.Canny(image, 1, 1)
imshow(image, cmap='gray')
circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 2, 32)
x = circles[0, :, 0]
y = circles[0, :, 1]
scatter(x, y)
show()
使用以下源图像:
我曾尝试调整 HoughCircles
函数的参数,但它们会导致误报过多或漏报过多。特别是,我无法在两个斑点之间的间隙中检测到虚假圆圈:
@Carlos,在您描述的这种情况下,我并不是 Hough Circles 的忠实粉丝。老实说,我发现这个算法非常不直观。在您的情况下,我建议您使用 findContour()
函数,然后计算质心。因此说,我稍微调整了 Hough 的参数以获得合理的结果。在 Canny 之前,我还使用了一种不同的预处理方法,因为除了那个特定的情况,我看不出该阈值在任何其他情况下是如何工作的。
霍夫法:
寻找质量中心:
代码:
from matplotlib.pyplot import imshow, scatter, show, savefig
import cv2
image = cv2.imread('circles.png', 0)
#_, image = cv2.threshold(image, 254, 255, cv2.THRESH_BINARY)
image = cv2.GaussianBlur(image.copy(), (27, 27), 0)
image = cv2.Canny(image, 0, 130)
cv2.imshow("canny", image)
cv2.waitKey(0)
imshow(image, cmap='gray')
circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 22, minDist=1, maxRadius=50)
x = circles[0, :, 0]
y = circles[0, :, 1]
scatter(x, y)
show()
savefig('result1.png')
cv2.waitKey(0)
_, cnts, _ = cv2.findContours(image.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
# loop over the contours
for c in cnts:
# compute the center of the contour
M = cv2.moments(c)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
#draw the contour and center of the shape on the image
cv2.drawContours(image, [c], -1, (125, 125, 125), 2)
cv2.circle(image, (cX, cY), 3, (255, 255, 255), -1)
cv2.imshow("Image", image)
cv2.imwrite("result2.png", image)
cv2.waitKey(0)
这两种方法都需要进行更多的微调,但我希望能给您带来更多有用的东西。
来源:this answer and pyimagesearch.
虽然可以针对给定图像微调霍夫圆,但不同图像的最佳参数可能会有很大差异。因此,使用 Hough Circles 使圆检测变得稳健需要付出相当大的努力,尽管它是可行的!
相反,我建议使用更现代的方法,例如:
- 基于弧邻接矩阵的快速椭圆检测(https://ieeexplore.ieee.org/document/8972900). Code available: https://github.com/Li-Zhaoxi/AAMED
- 圆弧支撑线段圆检测(https://ieeexplore.ieee.org/document/8296246 ). Code available: https://github.com/AlanLuSun/Circle-detection
如何提高以下圆形检测代码的性能
from matplotlib.pyplot import imshow, scatter, show
import cv2
image = cv2.imread('points.png', 0)
_, image = cv2.threshold(image, 254, 255, cv2.THRESH_BINARY)
image = cv2.Canny(image, 1, 1)
imshow(image, cmap='gray')
circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 2, 32)
x = circles[0, :, 0]
y = circles[0, :, 1]
scatter(x, y)
show()
使用以下源图像:
我曾尝试调整 HoughCircles
函数的参数,但它们会导致误报过多或漏报过多。特别是,我无法在两个斑点之间的间隙中检测到虚假圆圈:
@Carlos,在您描述的这种情况下,我并不是 Hough Circles 的忠实粉丝。老实说,我发现这个算法非常不直观。在您的情况下,我建议您使用 findContour()
函数,然后计算质心。因此说,我稍微调整了 Hough 的参数以获得合理的结果。在 Canny 之前,我还使用了一种不同的预处理方法,因为除了那个特定的情况,我看不出该阈值在任何其他情况下是如何工作的。
霍夫法:
寻找质量中心:
代码:
from matplotlib.pyplot import imshow, scatter, show, savefig
import cv2
image = cv2.imread('circles.png', 0)
#_, image = cv2.threshold(image, 254, 255, cv2.THRESH_BINARY)
image = cv2.GaussianBlur(image.copy(), (27, 27), 0)
image = cv2.Canny(image, 0, 130)
cv2.imshow("canny", image)
cv2.waitKey(0)
imshow(image, cmap='gray')
circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 22, minDist=1, maxRadius=50)
x = circles[0, :, 0]
y = circles[0, :, 1]
scatter(x, y)
show()
savefig('result1.png')
cv2.waitKey(0)
_, cnts, _ = cv2.findContours(image.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
# loop over the contours
for c in cnts:
# compute the center of the contour
M = cv2.moments(c)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
#draw the contour and center of the shape on the image
cv2.drawContours(image, [c], -1, (125, 125, 125), 2)
cv2.circle(image, (cX, cY), 3, (255, 255, 255), -1)
cv2.imshow("Image", image)
cv2.imwrite("result2.png", image)
cv2.waitKey(0)
这两种方法都需要进行更多的微调,但我希望能给您带来更多有用的东西。
来源:this answer and pyimagesearch.
虽然可以针对给定图像微调霍夫圆,但不同图像的最佳参数可能会有很大差异。因此,使用 Hough Circles 使圆检测变得稳健需要付出相当大的努力,尽管它是可行的!
相反,我建议使用更现代的方法,例如:
- 基于弧邻接矩阵的快速椭圆检测(https://ieeexplore.ieee.org/document/8972900). Code available: https://github.com/Li-Zhaoxi/AAMED
- 圆弧支撑线段圆检测(https://ieeexplore.ieee.org/document/8296246 ). Code available: https://github.com/AlanLuSun/Circle-detection