如何通过opencv计算图像中两个圆的距离

Question

带有两个圆圈的图片

我有一张包含两条纤维的图像（在图像中显示为两个圆圈）。如何计算两根光纤的距离？

我发现很难检测到光纤的位置。我试过使用HoughCircles函数，但是参数很难优化，而且很多时候不能精确定位圆。我应该先减去背景还是有其他方法？非常感谢！

Answer 1

很遗憾，您没有显示预处理步骤。在我的方法中，我将执行以下操作：

将输入图像转换为灰度（参见 cvtColor）。
中值模糊，保持 "edges"（参见 medianBlur）。
自适应阈值（参见 adaptiveTreshold）。
去除小噪声的形态学开放（参见morphologyEx）。
按 HoughCircles 查找圈子。
此处未完成：可能对找到的圈子进行改进。排除太小或太大的圆圈。使用您拥有的所有先前信息！例如，圆到底可以有多大？

这是我的全部代码：

// Read image.
cv::Mat img = cv::imread("images/i7aJJ.jpg", cv::IMREAD_COLOR);

// Convert to grayscale for processing.
cv::Mat blk;
cv::cvtColor(img, blk, cv::COLOR_BGR2GRAY);

// Median blurring to improve following thresholding.
cv::medianBlur(blk, blk, 11);

// Adaptive thresholding.
cv::adaptiveThreshold(blk, blk, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 51, -2);

// Morphological opening to get rid of small noise.
cv::morphologyEx(blk, blk, cv::MORPH_OPEN, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3)));

// Find circles using Hough transform.
std::vector<cv::Vec4f> circles;
cv::HoughCircles(blk, circles, cv::HOUGH_GRADIENT, 1.0, 300, 50, 25, 100);

// TODO: Refinement of found circles, if there are more than two.
// For example, calculate areas: Neglect too small or too large areas.
// Compare all areas, and keep the two with nearly matching areas and
// suitable areas.

// Draw circles in input image.
for (Vec4f& circle : circles) {
    cv::circle(img, cv::Point(circle[0], circle[1]), circle[2], cv::Scalar(0, 0, 255), 4);
    cv::circle(img, cv::Point(circle[0], circle[1]), 5, cv::Scalar(0, 255, 0), cv::FILLED);
}

// --- Assuming there are only the two right circles left from here. --- //

// Draw some debug output in input image.
const cv::Point c1 = cv::Point(circles[0][0], circles[0][1]);
const cv::Point c2 = cv::Point(circles[1][0], circles[1][1]);
cv::line(img, c1, c2, cv::Scalar(255, 0, 0), 2);

// Calculate distance, and put in input image.
double dist = cv::norm(c1 - c2);
cv::putText(img, std::to_string(dist), cv::Point((c1.x + c2.x) / 2 + 20, (c1.y + c2.y) / 2 + 20), cv::FONT_HERSHEY_COMPLEX, 1.0, cv::Scalar(255, 0, 0));

最终输出如下所示：

HoughCircles 操作之前的中间图像如下所示：

总的来说，我对 HoughCircles 并没有那么怀疑。你"just"要注意你的预处理。

希望对您有所帮助！

Answer 2

使用霍夫圆检测是可以的，但如果你想要更稳定的检测，你应该提供更多的图像。我只是去噪并直接进行圆圈检测。使用 non-local 意味着去噪在保留边缘方面非常好，这反过来又有利于 hough 圆算法中包含的 canny 边缘算法。

我的代码是用 Python 编写的，但可以很容易地翻译成 C++。

import cv2 
from matplotlib import pyplot as plt

IM_PATH = 'your image path'
DS = 2 # downsample the image

orig = cv2.imread(IM_PATH, cv2.IMREAD_GRAYSCALE)
orig = cv2.resize(orig, (orig.shape[1] // DS, orig.shape[0] // DS))
img = cv2.fastNlMeansDenoising(orig, h=3, templateWindowSize=20 // DS + 1, searchWindowSize=40 // DS + 1)

plt.imshow(orig, cmap='gray')
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, dp=1, minDist=200 // DS, param1=40 // DS, param2=40 // DS, minRadius=210 // DS, maxRadius=270 // DS)

if circles is not None:
    for x, y, r in circles[0]:
        c = plt.Circle((x, y), r, fill=False, lw=1, ec='C1')
        plt.gca().add_patch(c)
plt.gcf().set_size_inches((12, 8))
plt.show()

重要

进行一些图像处理只是良好（且稳定！）目标检测的第一步。您必须利用每一个细节和属性您可以动手并应用一些统计数据来改善您的结果。例如：

使用Yves' approach作为加法并过滤所有检测到的不与关节相交的圆。
一个圆圈总是在另一个圆圈下面吗？过滤掉水平对齐的对。
你能降低投资回报率吗（圆圈总是在图像中的特定区域还是到处都是）？
两个圆圈总是一样大吗？过滤掉大小不同的对。
...

如果您可以使用多个指标，则可以应用统计模型（例如多数投票或 knn）来找到最佳的一对圆圈。

再说一次：总是想想你对你的对象、环境及其行为的了解，并利用这些知识。

如何通过opencv计算图像中两个圆的距离

How to calculate the distance of two circles in a image by opencv

c++

opencv

image-processing

hough-transform

重要