【opencv-python】霍夫圆检测
霍夫变换检测直线的原理是利用累加器找到最大的(ρ,θ)(ρ,θ)(ρ,θ)数对,如文章所述。圆形的数学表达式为(x−xcenter)2+(y−ycenter)2=r2(x-x_{center})^2+(y-y_{center})^2=r^2(x−xcenter)2+(y−ycenter)2=r2,其中(xcenter,ycenter)(x_{center},y_{center})(xcenter,ycenter)为圆心坐标,rrr为圆的直径。因此可知一个圆需要xcenter,ycenter,rx_{center},y_{center},rxcenter,ycenter,r三个参数确定,如果采用霍夫直线相同的原理,则需要围绕被探测点对全域点进行搜索,进而获取可能的圆心坐标,然后再通过圆心坐标计算该点相对应的半径,构成(xcenter,ycenter,r)(x_{center},y_{center},r)(xcenter,ycenter,r)数对,再利用累加方法对下一些像素点进行相同处操作,最后看哪个数对位置中的累加出的数值最大,即代表过这一簇点的圆。但是这种操作的计算量过大,效率比较低。于是H.K.YUEN等大神提出了一种优化算法,利用边缘点的梯度法向为路径进行圆心点搜索,可以大大缩小圆心点搜索范围,提高效率。
在opencv-python中,我们使用函数cv2.HoughCircles函数来解决圆识别问题,函数说明如下图所示:
每个参数的含义如下图所示:
- image:8位待处理灰度图像;
- circles:输出被检测到的圆,以三元素浮点型向量表示(x,y,radius)(x,y,radius)(x,y,radius);
- method:探测方法。当前的实现是用的CV_HOUGH_GRADIENT方法;
- dp:累加器分辨率与图像分辨率的反比。例如,如果dp=1,累加器的分辨率与输入图像相同。如果dp=2,则累加器的宽度和高度为原来的一半;
- minDist:检测到的圆中心之间的最小距离。如果参数太小,除了一个真实的圆外,还可能错误地检测到多个相邻圆,如果太大可能会错过一些圆;
- param1:第一个特定参数。对于CV_HOUGH_GRADIENT方法,它是传递给Canny()边缘检测器的两个阈值中较高的阈值(较低的阈值小两倍);
- param2:第二个特定参数。对于CV_HOUGH_GRADIENT方法,它是检测阶段圆心的累加器阈值。它越小,可能检测到的假圆越多(因为满足累加器上限的条件变多了)。与累加器最大数值结果代表的圆将被首先返回。
- minRadius:最小圆半径;
- maxRadius:最大圆半径。
基于上文所述,霍夫圆检测的效果进行测试,待处理原图如下图所示:
处理代码如下所示:
img = cv2.imread('singlecircle.jpg',0)
img = cv2.medianBlur(img,5)
cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,minDist=20,param1=50,param2=30,minRadius=0,maxRadius=0)
print('circles1:', circles)
circles = np.uint16(np.around(circles))
print('circles2:', circles)for i in circles[0,:]:# draw the outer circlecv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)# draw the center of the circlecv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)
运行结果如下:
此时我们发现程序显示了很多圆形,并非是我们想要的结果,此时我们调整霍夫变换函数的参数,调整“minDist=20”为“minDist=100”,之后程序的运行效果为:
肉眼可见效果明显好了很多。从函数功能定义来看,输出circle变量应该包含形如(xcenter,ycenter,r)(x_{center},y_{center},r)(xcenter,ycenter,r)形式的数对,我们将circle变量内容打印出来,如下图所示:
此处,我们可以思考一下,为什么圆心坐标最后都是.5的形式呢?当然,我们也可以通过改变其他参数的形式去达到只识别一个圆的目的,比如我们将"param2=30"修改为"param2=100"效果如下:
对于多个圆,我们也可以通过cv2.HoughCircles()函数进行识别,被处理原图如下图所示:
程序运行结束后效果如下图所示:
可见效果比较明显,但还没有达到比较规整的效果,通过调整函数中的参数可以实现我们想要的识别效果。在参数中,dp参数值得深入分析,其与累加器分辨率成反比,如果dp=1,累加器属正常状态,如果dp=2,则按照2倍执行累加,所以dp值越大,累加器累加速度越快,因此在上限阈值以上的被检测圆数量也就越多。为了测试,我们将dp调整为2,其他参数保持不变,观察函数的执行效果:
可见检测出来的圆多了好多。我们再看一个实例,如下图所示:
如果我想把这两张图片的圆孔对应中心对应位置匹配起来,我需要先对圆环进行检测并获取圆环中心位置,经过霍夫圆变换,程序执行效果如下图所示:
实现上述功能需要对霍夫圆变换函数参数进行精确调整,我所采用的参数如下所示:
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1, minDist=30, param1=10,param2=20,minRadius=10,maxRadius=15)
整个图片的尺寸比较小,shape只有(217,309),所以最小圆心间距、最小半径等参数也要做合理适配。然后参数和图像之间的关联性较高,也就是说这一组参数如果适用于这张图像,很难适应其他图像,比如对同一目标的右视相机拍摄图像,如果还用这一组参数,识别效果如下图所示:
可见有些圆形是没法很好的识别出来,因此还是需要再对参数进行调优,更改参数如下:
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1, minDist=25, param1=10,param2=20,minRadius=9,maxRadius=15)#LL
修改参数之后识别效果为:
欢迎大家在评论区留言评论,感谢大家的关注!
【opencv-python】霍夫圆检测相关推荐
- OpenCV中霍夫圆检测
OpenCV中霍夫圆检测 在直线检测中,变换后在r−θr-\thetar−θ空间内曲线交点,然后根据阈值来得到直线.在圆中需要有三个变量圆心坐标和半径,因此变换后的空间在三维空间,根据三维空间中的曲线 ...
- OpenCV基于Python霍夫圆检测—基于梯度的霍夫圆检测
基于梯度的霍夫圆检测 1. 回顾与目标 2. 基于梯度的霍夫圆检测 2.1 问题分析 2.2 基于梯度的霍夫圆检测步骤 3. 基于梯度的霍夫圆检测函数HoughCircles 3.1 函数HoughC ...
- OpenCV基于Python霍夫圆检测—标准霍夫圆检测
标准霍夫圆检测 1. 简介 2. 标准霍夫圆检测 2.1 情形一 2.2 情形二 2.3 情形三 3. 程序演示 4. 结尾 参考资料 1. 简介 1972年,R. D. Duda和P. E. Har ...
- Opencv 霍夫变换 霍夫圆检测
霍夫变换是一种特征提取术,在了解霍夫变换 霍夫检测之前 需要首先明白什么是霍夫空间:以圆形举例子,弄明白形状的原理,直线的变换与检测也就不难理解 霍夫空间,是一种三维空间,三个坐标分别为圆的横纵坐标, ...
- opencv c++ 霍夫圆检测
1.原理 a)对某点,以其为圆心的圆为无数(一圈圈的圆),将其从x-y平面坐标系上转换到r-θ极坐标系上后,则变成了以r.θ为自变量,为固定值,x.y为因变量的式子: b)其余点作同样操作,可以得到, ...
- 使用Python测试霍夫圆检测
目录 1. 目的 2. 霍夫园检测的原理 3. 使用opencv测试 1. 目的 记录使用python学写霍夫圆检测的过程 2. 霍夫园检测的原理 略!别怪我,这个涉及到数学原理.有时间我再进行补充, ...
- OpenCV 霍夫圆检测
圆的表示式是: 其中aa和bb表示圆心坐标,rr表示圆半径,因此标准的霍夫圆检测就是在这三个参数组成的三维空间累加器上进行圆形检测,此时效率就会很低,所以OpenCV中使用霍夫梯度法进行圆形的检测. ...
- OpenCV标准霍夫直线检测详解
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转载自:OpenCV学堂 霍夫直线检测 对于图像来说可以从笛卡 ...
- OpenCV_09 模版匹配和霍夫变换:霍夫线检测+霍夫圆检测
1 模板匹配 1.1 原理 所谓的模板匹配,就是在给定的图片中查找和模板最相似的区域,该算法的输入包括模板和图片,整个任务的思路就是按照滑窗的思路不断的移动模板图片,计算其与图像中对应区域的匹配度,最 ...
- 霍夫圆检测(HoughCircles)
霍夫圆检测 1.霍夫圆检测 从平面坐标到极坐标需要转换三个参数,C(x0,y0,r)C(x_0,y_0,r)C(x0,y0,r),其中(x0,y0)(x_0,y_0)(x0,y0)为圆心. 假 ...
最新文章
- 置springboot自带tomcat的最大连接数和最大并发数
- TDD开发模式实现代码功能逻辑(自己总结,持续更新)
- 函数实现不放在头文件的原因,及何时可以放头文件的情况【转】
- java有道翻译_Java 调用 有道翻译API
- php 外贸,php 外贸
- php session不生效_php验证session无效的解决方法
- oracle表update在等待,Oracle中如何更新一张大表记录
- L2-028 秀恩爱分得快(25 分)
- centos7网卡配置文件详解与固定服务器ip
- QFIL进入900E或90DB模式,download fail
- android 电视 vob格式转换,佳佳VOB格式转换器将视频转换到手机格式的方法
- JAVA集成支付宝支付 周期扣费 (证书方式)
- Oracle Java Cloud系列(02)——创建Java云的应用服务器实例 及 数据库云实例
- NOMAD 与 KUBERNETES:比较容器编排工具——翻译版
- 复习DOS及批处理命令
- “懂行”的价值循环与蝴蝶风暴
- nodejs异步流程控制co 模块
- 什么叫h5项目_对移动端h5项目的一点总结
- 物联网开发笔记(68)- 使用Micropython开发ESP32开发板之使用官方工具esptool烧录
- 骑驴找马面试难,你可以这样解决!
热门文章
- Android 单元测试中遇到的一些问题汇总
- Django表单CSRF验证失败解决方案
- C++之状态(State)模式
- 信息学奥赛一本通 1323:【例6.5】活动选择 | 1422:【例题1】活动安排 | 洛谷 P1803 凌乱的yyy / 线段覆盖
- 灰色关联投影法python_灰色关联投影法(讲座).doc
- 远程桌面快捷键的使用
- 静态链接库(.lib)和动态链接库(.dll)的使用
- FTI Forming Suite 2021.0.3 x64 Multilingual
- 使用异或交换数据的优缺点
- 人力资源系统如何改变企业