椭圆检测 Arc Adjacency Matrix-Based Fast Ellipse Detection 代码和数据集使用教程

最新推荐文章于 2024-09-13 22:26:03 发布
最新推荐文章于 2024-09-13 22:26:03 发布
阅读量5k 收藏 43
点赞数 7
分类专栏： 计算机视觉 文章标签： opencv python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Zhaoxi_Li/article/details/105346264
版权

在之前博客椭圆检测 2020：Arc Adjacency Matrix-Based Fast Ellipse Detection介绍的基础上，我们针对其公开的源代码进行说明，介绍如何使用其提供的数据集和源代码。

文章目录

1 编译源码

此代码在开发过程中使用的是opencv3.1，测试opencv3.4也能用，其源码内主要基于opencv的一些基本函数，基本上各个版本都通用。

1.1 在Windows上编译

在windows上编译时，其源码依赖的是VS2015，创建一个VS项目，注意选择项目为64位，并配置好OpenCV的环境，也就是包含目录，库目录，附加依赖项。
在这里插入图片描述

这些结束后，要将代码全部导入到工程中，右键解决方案资源管理器中的头文件，选择添加→现有项，把所有头文件添加进去，同理，右键源文件，添加所有cpp文件添加进去。
在这里插入图片描述

解决这些事情之后，编译项目即可，main.cpp提供了一个示例。

#include "FLED.h" 
int main()
{
	string imgPath = "002_0038.jpg"; //图片路径
	Mat imgC, imgG;
	// 初始化AAMED算法，指定drows=540，dcols=960，
	// 切记，drows和dcols一定要大于所有待检测图像的行数和列数
	AAMED aamed(540, 960); 
	// 参数设置，第一个参数控制曲线弯曲程度，目标更像是一个圆的话，可以将这个设置的更低些。
	// 第二个参数（其实没啥用了，敏感度分析已经说明这个参数不敏感了）
	// 主要是第三个参数，如果目标缺失较大，则设置的小些，如果几乎无缺失，大些即可。
	aamed.SetParameters(CV_PI / 3, 3.4, 0.77); // config parameters of AAMED

	imgC = cv::imread(imgPath);
	cv::cvtColor(imgC, imgG, CV_RGB2GRAY);
	aamed.run_FLED(imgG); // 执行算法，可以直接放在循环中检测多张图片。

	cv::Vec<double, 10> detailTime;
	aamed.showDetailBreakdown(detailTime); // 展示每个阶段所用的时间
	aamed.drawFLED(imgG, ""); // 绘制结果
	aamed.writeDetailData(); // 保存关键数据，用于AAMEDViewer分析数据用
	cv::waitKey();
	return 0;
}

1.2 在Ubuntu上编译源码

在Ubuntu上的代码编译使用了cmake，源码中已经提供了CMakeLists.txt文件，具体流程如下。

cd AAMED/cmake-build
cmake ..  # 生成Makefile文件
make 
./AAMED # 执行算法

1.3 编译可在Python上运行的代码

先进入python文件夹中，同样的，先配置OpenCV路径，在setup.py中，修改opencv_include, opencv_lib_dirs，并在 ext_modules 中配置库文件libraries=['opencv_world310']

opencv_include = "D:/opencv3.1/opencv/build/include"
opencv_lib_dirs = "D:/opencv3.1/opencv/build/x64/vc14/lib"

然后在当前文件夹中执行，即可开始编译AAMED算法

python setup.py build_ext --inplace

我是在Windows上平台编译的，编译之后会生成一个pyAAMED.cp36-win_amd64.pyd文件，这个文件就是可在python上执行的包。
在这里插入图片描述

test_aamed.py提供了一个测试说明，用法跟C++用法相似。

from pyAAMED import pyAAMED
import cv2

imgC = cv2.imread('002_0038.jpg')
imgG = cv2.cvtColor(imgC, cv2.COLOR_BGR2GRAY)
aamed = pyAAMED(600, 600)
aamed.setParameters(3.1415926/3, 3.4,0.77)
res = aamed.run_AAMED(imgG)
print(res)
aamed.drawAAMED(imgG)
cv2.waitKey()

下面是一个图片的检测示例。
在这里插入图片描述

1.4 编译可在MATLAB上运行的代码

先配置OpenCV环境，查看setup.m，修改之后执行即可。setup.m调用了mex工具，如果是第一次使用mex，请先配置mex的C++编译工具。编译通过之后，将会生成如下4个文件。
在这里插入图片描述
test_aamed.m是一个示例。

clc;clear;close all;
obj = mexAAMED(540, 960);
mexSetAAMEDParameters(obj, pi/3, 3.4, 0.77);
figure;
img = imread('139_0018.jpg');
img = rgb2gray(img);
detElps = mexdetectImagebyAAMED(obj, img); 
imshow(img); hold on;
plot_aamed_res(detElps)
hold off;
% 释放内存，如果不调用这个代码，AAMED算法内存将一直在MATLAB中无法释放，只能重启软件才能消失
mexdestoryAAMED(obj);

2 椭圆标记工具

最早在2012年Prasad的文章中，给了一个标记工具，但是其标记小椭圆时误差较大，而且无法放大，图片，我们自己开发了一个标记工具。

先调用setup.m编译椭圆拟合函数，生成mexElliFit.mexw64，然后执行main.m即可启动这个工具，下面是使用时候这个软件的界面。

在这里插入图片描述
下面给出这个软件的具体用法。

  • 单张图片标记模式

    • 点击Open an Image 打开一张图片

    • 选择Select Points 开始选择标记点 （快捷键s，一定要点在GUI界面上，不要点在图像上，否则快捷键可能失效）

    • 在图像上开始选点，因为椭圆拟合需要6个点，因此选择6个点之后，会有个拟合出来的椭圆。

    • 6个点之后，会给1秒的时间判断这个椭圆是否符合需求

      • 如果这个椭圆满足需求，请在1秒内按下空格键
      • 如果这个椭圆不满足需求，在1s之后继续点击其他点，重新进行拟合
      • 如果想取消这次选择，请在1s之后点击之前点过的点即可（比如之前点过一个坐标为(1,2)的点，再点击这个点即可取消）

    • 按下回车之后，拟合出的椭圆参数将会自动保存到图片路径下，也可以点击Save保存数据。

  • 批量图片标记模式
    • 点击Open a Folder，选择一个包含待标记的图片的文件夹
    • 点击列表中的某个图片进行标记，有快捷键(a,d)切换上下张图片
    • 进行单张图片的标记，标记方法如上面介绍的一样

一些操作技巧： 可以使用菜单栏中的放大镜对图片进行放大和缩小，使用小手图标进行拖动。

3 AAMED 数据可视化工具

这个工具用来展示算法中涉及到的几个核心数据，edge contours(边缘轮廓)， DP contours（多边形逼近轮廓），arc contours（分割出的椭圆弧段），AAM矩阵和检测结果。

一般导出这些参数在matlab上进行开发，函数测试无误后再转到C++中。

在C++中调用如下函数生成对应的数据文件。

aamed.writeDetailData(); // 保存关键数据，用于AAMEDViewer分析数据用

先执行setup.m 编译出数据读取函数mexcvtBasicData, mexcvtRRect, mexcvtVVP, mexcvtAAM，然后使用main.m文件读取生成的DetailAAMED.aamed文件，下面是调用生成的数据，可视化的结果。
在这里插入图片描述

4 9个公开数据集

椭圆检测中，目前为止，提供了3个真实数据集和2个仿真数据集，论文在此基础上补充了2个卫星数据集和2个仿真数据集。

数据集传到了百度云上，连接为https://pan.baidu.com/s/1vUx7d3mvRxIPGSwi8DLADg，验证码 7br2

5 评价工具

代码提供了算法的验证工具，用于衡量检测结果和真值的差异，同样需要先运行setup.m编译一些用于计算重合度的函数基本库文件。

然后，下面说明如何使用这个工具

5.1 补充读取自己算法的检测方法

读取结果主要是获取一个数据集上，每个图片的对应检测结果，结果用cell文件存的。

  • filepath：表示结果文件夹路径
  • imgname：表示所有图片的文件名
  • dataset_name：算法名

下面，按照如下格式，在Read_Ellipse_Results.m上添加下面一段代码，每张图片的读取方法由用户自定义。

if strcmp(dataset_name, 'aamed')
    for i = 1:imgnum
        % 读取一张图片的检测结果，并存入elps_data中
        dt_elps{i} = elps_data;
        fclose(fid_dt);
    end
    
    return;
end

5.2 配置验证主函数文件

在文件MeasureAllDatasets.m中已经提供了验证算法的一个主函数，其中有几个变量需要明确说明下。

  • data_root_path：数据集根目录地址
  • dataset_name：数据集名称，也就是数据集文件夹的名称
  • gt_label：数据集对应的缩写，每一个元素与dataset_name中的元素一一对应，用于在文件Read_Ellipse_GT.m中读取数据集的真值。
  • methods_name：要验证的算法名称，当前算法的检测结果放在这个文件夹名称里。
  • method_label：算法的缩写名称，用于在文件Read_Ellipse_Results.m中读取算法的检测结果
  • T_overlap：重合度阈值，大于这个阈值则表示为真椭圆，否则为虚假椭圆。

在这里插入图片描述
在这里插入图片描述

6 制作自己的数据集

制作数据集方法很简单，步骤如下所示。

  • 在数据集根目录下创建一个文件夹，命名为A（A表示数据集名称，根据实际需求更换）
  • 创建images文件夹，放入所有图片，格式可以不唯一
  • 创建图像名称文件imagenames.txt，里面存储了images下所有图片的名称
  • 创建文件夹gt，存储图片的真值数据
  • 在Read_Ellipse_GT.m中补充该数据集真值读取部分

总结

本博客仅提供了AAMED算法及相关数据集的使用方法，提供了验证准则，标记工具，数据可视化等相关工具，方便后续研究者研究本方向时使用。

这些工具在实际项目开发中起到了很大的作用，如果对相关工具有改进意见或者需要补充其他工具，欢迎指出，我将尽可能对其进行补充。

小玺玺
关注
专栏目录
python椭圆特征识别_opencv python中的椭圆检测
weixin_39639600的博客
12-04 933
Xie,Yonghong和Qiang Ji制作的skimage中有另一种替代方法,并出版为…“A new efficient ellipse detection method.” Pattern Recognition, 2002.Proceedings. 16th International Conference on. Vol. 2. IEEE, 2002.他们的椭圆检测代码相对较慢,此示例大...
C++设计并测试一个名为Ellipse的椭圆类，其属性为外接矩形的左上角和右下角两个点的坐标，并能计算出椭圆的面积。
weixin_56105279的博客
12-25 1663
椭圆的面积为：S=π×a×b(其中a,b分别是椭圆的长半轴,短半轴的长) 注：#include< iomanip >是C++中的标准库，其成员函数主要是对是C++中输出流格式的限定， #include <iostream> #include <math.h> #include <iomanip> using namespace std; class Ellipse { private: int x1,y1,x2,y2; public: //构
Arc Adjacency Matrix-Based Fast Ellipse Detection
03-30
基于边缘连接方法的椭圆检测算法AAMED《Arc Adjacency Matrix-Based Fast Ellipse Detection》，核心思想是使用弧段邻接矩阵获得所有弧段的组合方法，然后使用提出的基于采样点的思想的验证方法进行验证。
论文阅读——椭圆检测 2020：Arc Adjacency Matrix-Based Fast Ellipse Detection
小玺大大
03-18 6813
这是一篇基于边缘连接方法的椭圆检测算法AAMED《Arc Adjacency Matrix-Based Fast Ellipse Detection》，核心思想是使用弧段邻接矩阵获得所有弧段的组合方法，然后使用提出的基于采样点的思想的验证方法进行验证。 论文公开了使用的9个数据集，并给出了AAMED在这9个数据集的检测结果，并提供了AAMED源代码，对应下载链接：AAMED算法 下面对该论文进行详...
快速椭圆检测器：基于C++的嵌入式视觉应用
最新发布
gitblog_09680的博客
09-13 402
快速椭圆检测器：基于C++的嵌入式视觉应用 fast_ellipse_detector This is the implementation in C++ of the paper: 'A fast and effective ellipse detector for embedded vision applicatio...
ellipseC:使用 Levenberg-Marquardt 算法检测精确椭圆中心的 C++ 代码。 该代码是色差校正软件的一部分，以及校准矩阵计算器
05-31
椭圆C 使用 Levenberg-Marquardt 算法检测精确椭圆中心的 C++ 代码。 该代码是的一部分，也是。 该程序以椭圆图像作为输入，并打印其精确参数（其中包括中心坐标）作为输出。
开源项目介绍-01：机器视觉 - 检测 - AAMED-master 圆和椭圆
山云的专栏
04-30 1185
AAMED:Arc Adjacency Matrix based Fast Ellipse Detection :基于弧邻接矩阵的快速椭圆检测。
A real adjacency matrix-coded differential evolution algorithm for traveling salesman problems
02-22
A real adjacency matrix-coded differential evolutionary algorithm (RAMDE) is proposed to solve traveling salesman problem (TSP): a classic COP. Considering TSP structure, a swarm of real adjacency ...
adjacency-matrix-network
05-17
图ADT和社交网络 背景 在此分配中，您将使用两个不同的图形表示形式实现Graph接口。 然后，您将开发几种使用可能在社交网络中使用的Graph接口的算法。 您针对此机器问题的目标是： 了解并应用封装的概念； 了解...
adjacency-matrix-graph:图论项目-UEMA
04-11
而“adjacency matrix”（邻接矩阵）是图论中用于表示图的一种数据结构，它是本项目“adjacency-matrix-graph:图论项目-UEMA”的核心内容。 邻接矩阵是一个二维数组，用于表示有限图中顶点之间的邻接关系。矩阵的行...
椭圆检测_python椭圆检测_
10-03
基于python对LED图片中的椭圆进行检测，将检测到的椭圆提取到的坐标进行排序
使用C++ OpenCV实现椭圆区域检测与Aruco码的生成与检测并估计位姿
热门推荐
xfxuezhang.cn
07-07 1万+
使用C++ OpenCV实现椭圆区域检测与Aruco码的生成与检测并估计位姿
python 椭圆检测_opencv python中的椭圆检测
weixin_39739395的博客
12-04 3280
我的图片在这里：我正在寻找更好的解决方案或算法来检测这张照片中的椭圆形部分(盘),并在Opencv中的另一张照片中对其进行遮罩.你能给我一些建议或解决方案吗？我的代码是：circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1.2, 1, param1=128, minRadius=200, maxRadius=600)# draw detecte...
C++椭圆检测论文复现 Ubuntu 22.04+Vscode+opencv3.4
qq_22762933的博客
03-06 505
我选择了opencv3.4.15，选择最后的Source.code(tar.gz)进行下载。如果没有安装cmake，那么可以使用指令自行安装。之后创建release文件夹，并进行编译。通过官网，使用代码安装opencv。下载完毕后放入合适的路径，进行解压。源码安装lapack，下载并解压。查看自己的C++编译器版本。验证opencv是否安装成功。确定已安装gfortran。测试lapack 报错。
邻接矩阵（Adjacency Matrix）
YHS_CODE的专栏
06-05 3208
<br />/*----------------------------Graph的定义与操作---------------------------------<br />基本操作：<br />1、 CreateGraph(&G,V,VR);<br />    初始条件：V是图的顶点集，VR是图中弧的集合；<br />    操作结果：按V和VR的定义构成图?<br />    ?<br />2、 DestoryGraph(&G);<br />    初始条件：图G存在；<br />    操作结果：销毁图
C++ 椭圆类
꧁༺ʚvv༒catɞ༻꧂的博客
11-23 4408
题目描述 设计并测试一个名为Ellipse的椭圆类： （1）其私有数据成员为外切矩形的左上角与右下角两个点的坐标（4个int型x1,y1,x2,y2） （2）声明4个公有的成员函数分别访问椭圆的外切矩形的顶点坐标 （3）设计1个构造函数Ellipse(int,int,int,int)对椭圆的外切矩形的顶点坐标赋值 （4）设计1个公有成员函数Area()计算椭圆的面积。 输入描述 在主函数里输入顶点坐标，并声明一个Ellipse类的对象。 输出描述 在主函数里调用该对象的成员函数输出外切矩形的顶点坐标，计算并
most graph algorithms that take an adjacency-matrix representation as input
09-22
大多数以邻接矩阵表示作为输入的图算法的目的是解决图的相关问题。邻接矩阵是一种常见的图表示方法，它通过矩阵来描述图中各个节点之间是否存在边。 邻接矩阵是一个n×n的二维矩阵，其中n是图中节点的总数。如果节点i和节点j之间存在边，则邻接矩阵中(i, j)位置的值为1，表示存在连接；否则为0，表示没有连接。 使用邻接矩阵作为输入，图算法可以进行各种操作和分析，例如： 1. 图的遍历：通过遍历邻接矩阵的行或列，可以遍历图中的所有节点，从而实现深度优先搜索（DFS）或广度优先搜索（BFS）等算法。 2. 最短路径算法：邻接矩阵可以用于计算两个节点之间的最短路径。常见的算法包括Dijkstra算法和Floyd-Warshall算法等。 3. 连通性检测：通过邻接矩阵，可以检测图是否是连通的，即任意两个节点之间是否存在路径。 4. 拓扑排序：邻接矩阵可以判断有向无环图中节点的拓扑排序顺序，即节点的线性排序。 5. 最小生成树：邻接矩阵可以用于找到一个连接所有节点的最小生成树，常见的算法有Prim算法和Kruskal算法。 总而言之，邻接矩阵是一种常用的图表示方法，适用于大多数需要图输入的算法。它能够帮助我们更方便地进行图的操作和分析。
评论 57
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值