使用 Opencv 进行精确测量 python

Question

我实际上正在使用 OpenCV 和 Python 进行机器视觉项目。

Objective : 项目objective是高精度测量一个组件的尺寸。

主要硬件 :

Basler 5MP 相机 (aca-2500-14gm)
红色背光灯（100mm x 100mm）（我的元件尺寸大约是60mm）

实验

由于我正在研究非常严格的公差限制，所以我首先进行了精确研究。我将组件放在背光源上，并在不移动部件的情况下拍摄了 100 张图像（想象一下有 100 帧的视频）。我测量了所有 100 张图像的外径 (OD)。我的 mm/pixel 比率是 0.042。我测量了测量的标准偏差以找出精度，结果是 0.03 毫米左右，这是不好的。组件和设置都没有被触及，因此我期望精度为 0.005 毫米。但我偏离了一个数量级。我正在使用OpenCV的霍夫圆来计算组件的OD。

代码：

import sys
import pickle
import cv2
import matplotlib.pyplot as plt
import glob
import os
import numpy as np
import pandas as pd

def find_circles(image,dp=1.7,minDist=100,param1=50,param2=50,minRadius=0,maxRadius=0):
    """ finds the center of circular objects in image using hough circle transform

    Keyword arguments
    image -- uint8: numpy ndarray of a single image (no default).
    dp -- Inverse ratio of the accumulator resolution to the image resolution (default 1.7).
    minDist -- Minimum distance in pixel distance between the centers of the detected circles (default 100).
    param1 -- First method-specific parameter (default = 50).
    param2 -- Second method-specific parameter (default = 50).
    minRadius -- Minimum circle radius in pixel distance (default = 0).
    maxRadius -- Maximum circle radius in pixel distance (default = 0).

    Output
    center -- tuple: (x,y).
    radius -- int : radius.
    ERROR if circle is not detected. returns(-1) in this case    
    """

    circles=cv2.HoughCircles(image, 
                             cv2.HOUGH_GRADIENT, 
                             dp = dp, 
                             minDist = minDist, 
                             param1=param1, 
                             param2=param2, 
                             minRadius=minRadius, 
                             maxRadius=maxRadius)
    if circles is not None:
            circles = circles.reshape(circles.shape[1],circles.shape[2])
            return(circles)
    else:
        raise ValueError("ERROR!!!!!! circle not detected try tweaking the parameters or the min and max radius")

def find_od(image_path_list):
    image_path_list.sort()
    print(len(image_path_list))
    result_df = pd.DataFrame(columns=["component_name","measured_dia_pixels","center_in_pixels"])
    for i,name in enumerate(image_path_list):
        img = cv2.imread(name,0) # read the image in grayscale
        ret,thresh_img = cv2.threshold(img, 50, 255, cv2.THRESH_BINARY_INV)
        thresh_img = cv2.bilateralFilter(thresh_img,5,91,91) #smoothing
        edges = cv2.Canny(thresh_img,100,200)
        circles = find_circles(edges,dp=1.7,minDist=100,param1=50,param2=30,minRadius=685,maxRadius=700)
        circles = np.squeeze(circles)
        result_df.loc[i] = os.path.basename(name),circles[2]*2,(circles[0],circles[1])
    result_df.sort_values("component_name",inplace=True)
    result_df.reset_index(drop=True,inplace=True)
    return(result_df)

df = find_od(glob.glob("./images/*"))
mean_d = df.measured_dia_pixels.mean()
std_deviation = np.sqrt(np.mean(np.square([abs(x-mean_d) for x in df.measured_dia_pixels])))

mm_per_pixel = 0.042
print(std_deviation * mm_per_pixel)

输出：0.024

组件图片：

由于图像是在不干扰设置的情况下拍摄的，我预计测量的可重复性约为 0.005 毫米（5 微米）（对于 100 张图像）。但事实并非如此。是霍夫圆的问题吗？或者我在这里缺少什么

Answer 1

Hough 是为检测而设计的，而不是为量化而设计的。如果您想要精确的测量，则必须使用为此设计的库。 OpenCV 不适合量化，因此在这方面的能力很差。

很久以前我写了一篇关于使用 Radon 变换更精确地估计尺寸的论文（Hough 变换是离散化 Radon 变换的一种方法，它在某些情况下速度很快，但不精确）：

C.L。 Luengo Hendriks，M. van Ginkel，P.W。维贝克和 L.J。 van Vliet，广义 Radon 变换：采样、精度和内存注意事项，模式识别 38(12):2494–2505, 2005, doi:10.1016/j.patcog.2005.04.018. Here is a PDF.

但是因为您的设置控制得很好，所以您实际上并不需要所有这些来获得精确的测量值。这里有一个非常straight-forwardPython的脚本来量化这些漏洞：

import diplib as dip
import math

# Load image and set pixel size
img = dip.ImageRead('N6uqw.jpg')
img.SetPixelSize(0.042, "mm")

# Extract object
obj = ~dip.Threshold(dip.Gauss(img))[0]
obj = dip.EdgeObjectsRemove(obj)

# Remove noise
obj = dip.Opening(dip.Closing(obj,9),9)

# Measure object area
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
objectArea = msr[1]['Size'][0]

# Measure holes
obj = dip.EdgeObjectsRemove(~obj)
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
sz = msr['Size']
holeAreas = []
for ii in sz.Objects():
   holeAreas.append(sz[ii][0])

# Add hole areas to main object area
objectArea += sum(holeAreas)

print('Object diameter = %f mm' % (2 * math.sqrt(objectArea / math.pi)))
for a in holeAreas:
   print('Hole diameter = %f mm' % (2 * math.sqrt(a / math.pi)))

这给了我输出：

Object diameter = 57.947768 mm
Hole diameter = 6.540086 mm
Hole diameter = 6.695357 mm
Hole diameter = 15.961935 mm
Hole diameter = 6.511002 mm
Hole diameter = 6.623011 mm

请注意，上面的代码中有很多假设。还有一个问题是相机没有恰好在物体上方居中，您可以看到反射光的孔的右侧。这肯定会增加这些测量的不精确性。但还要注意，我在测量物体时并没有使用物体是圆形的知识（仅在将面积转换为直径时）。或许可以使用圆度标准来克服一些成像缺陷。

上面的代码使用了 DIPlib，一个具有相当粗糙的 Python 接口的 C++ 库。 Python语法是C++语法的直译，有些东西还是挺别扭的non-Pythonic。但它专门针对量化，因此我建议您在您的应用程序中尝试一下。

使用 Opencv 进行精确测量 python

Precision Measurement with Opencv python

python

opencv

measurement

dimension

computer-vision