如何基于OpenCV&Python实现霍夫变换圆形检测
作者：ahaofan
简述
基于python使用opencv实现在一张图片中检测出圆形，并且根据坐标和半径标记出圆。不涉及理论，只讲应用。
霍夫变换检测圆形的原理
其实检测圆形和检测直线的原理差别不大，只不过直线是在二维空间，因为y=kx+b，只有k和b两个自由度。而圆形的一般性方程表示为(x-a)²+(y-b)²=r²。那么就有三个自由度圆心坐标a,b,和半径r。这就意味着需要更多的计算量，而OpenCV中提供的cvHoughCircle()函数里面可以设定半径r的取值范围，相当于有一个先验设定，在每一个r来说，在二维空间内寻找a和b就可以了，能够减少计算量。
相关函数
函数说明：
Python: cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) → circles
参数说明:
- image- 8位，单通道，灰度输入图像。
- circles- 找到的圆的输出向量。每个向量被编码为3元素的浮点向量 （x，y，半径）。
- circle_storage - 在C函数中，这是一个将包含找到的圆的输出序列的内存存储。
- method- 使用检测方法。目前，唯一实现的方法是 CV_HOUGH_GRADIENT，基本上是 21HT，在[Yuen90]中有描述 。
- dp - 累加器分辨率与图像分辨率的反比。例如，如果 dp = 1，则累加器具有与输入图像相同的分辨率。如果 dp = 2，则累加器的宽度和高度都是一半。
- minDist -检测到的圆的中心之间的最小距离。如果参数太小，除了真正的参数外，可能会错误地检测到多个邻居圈。如果太大，可能会错过一些圈子。
- param1 - 第一个方法特定的参数。在CV_HOUGH_GRADIENT的情况下， 两个传递给Canny（）边缘检测器的阈值较高（较小的两个小于两倍）。
- param2 - 第二种方法参数。在CV_HOUGH_GRADIENT的情况下，它是检测阶段的圆心的累加器阈值。越小，可能会检测到越多的虚假圈子。首先返回对应于较大累加器值的圈子。
- minRadius -最小圆半径。
- maxRadius - 最大圆半径。
这是根据opencv官方文档谷歌翻译过来的，参数比较多，但用的时候只修改一些主要的，传入的图像和最大最小圆半径，以达到检测出想要的圆的效果。
还有要注意函数的返回值
找到的圆的输出向量。每个向量被编码为3元素的浮点向量 （x，y，半径）。
这句话不是很好理解，我们直接输出返回值就会发现是个 三层嵌套list，最内层list有三个元素，分别是圆心的行，列，半径，这表示一个圆的基本信息。多个圆基本信息组成了一个新的list，这个list包含了检测到的所有圆，即长度就是检测到圆的个数。最外层再加了个list，至于干啥的不清楚了，不影响使用就好。
下图是输出函数返回值的一个实例图
实例演示
完整代码
import cv2
#载入并显示图片
img=cv2.imread('circle.png')
cv2.imshow('img',img)
#灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#输出图像大小，方便根据图像大小调节minRadius和maxRadius
print(img.shape)
#霍夫变换圆检测
circles= cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,param1=100,param2=30,minRadius=5,maxRadius=300)
#输出返回值，方便查看类型
print(circles)
#输出检测到圆的个数
print(len(circles[0]))
print('-------------我是条分割线-----------------')
#根据检测到圆的信息，画出每一个圆
for circle in circles[0]:
#圆的基本信息
print(circle[2])
#坐标行列
x=int(circle[0])
y=int(circle[1])
#半径
r=int(circle[2])
#在原图用指定颜色标记出圆的位置
img=cv2.circle(img,(x,y),r,(0,0,255),-1)
#显示新图像
cv2.imshow('res',img)
#按任意键退出
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果
shell输出截图
总结
到此这篇关于基于OpenCV&Python实现霍夫变换圆形检测的文章就介绍到这了,更多相关OpenCV霍夫变换圆形检测内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！