图像处理-椭圆检测

经典椭圆检测方法

椭圆检测算法经过多年的研究发展，已经基本形成一个较完整的体系。它们大致可以分为三类即投票（聚类）、最优化、基于弧段的方法。

投票（聚类）方法

椭圆因为有中心位置坐标、长短轴长度、倾斜角五个参数，标准霍夫变换有较强的鲁棒性，但对内存要求高，运算效率低，不太现实。霍夫变换类算法以霍夫变换为算法基础，经过不同国家研究人员多年的不懈努力研究，如今已衍生出很多改进算法，它们各有优劣。随机霍夫变换算法相对标准霍夫变换计算速度有较大提升，但检测相互遮挡的椭圆时准确度低。

随机hough变换椭圆检测算法

随机椭圆检测结合使用了了最小二乘法和Hough变换算法。第一步预处理，获得较理想的边缘图。第二步随机选取三个点，取这三点为中心相同大小的邻域中所有点，用最小二乘法把它们拟合成一个椭圆。如图2-3所示。第三步从边缘点中再随机选取第四个点，判断此点是否在拟合出的圆上。若是，则认为该椭圆是真实椭圆的可能性较大，接着收集证据，验证该椭圆的真实性。

算法具体过程如下（从第二步开始）：
1.把边缘检测得到的点收进集合V中，失败计数器f初始值设为0。设定5个阈值，分别是能容忍的失败次数最大值Tf，检测进行时对V中边缘点数量的要求阈值Tem，随机选取的三点之间两两距离最小值Ta，随机选取的第四点到可能椭圆边界距离的最大值Td，以及椭圆残缺比率阈值Tr。
2.np表示集合V中剩余的点的数量，当np小于Tem时或当失败次数f大于Tf时停止检测，算法终止；否则从V中随机取四点，并从V中删除这四点。
3.若用来求解椭圆参数的三个点两两之间距离都大于Ta，拟合出椭圆，计算第四个点到该椭圆边界的距离，若距离小于Td，执行第4步；若不满足两者之一，将这四个点返回到V中，失败次数加一，回到第2步执行。
4.设E为第3步拟合出来的椭圆，初始化满足阈值Td的点的个数num。遍历V中点，计算并判断它们到椭圆E的边界的距离是否小于Td，若是则num=num+1，并将该点从V中除去，直到遍历完成。
5.若num>=Tr*K，其中K为椭圆E的周长，那么跳转到第6步；否则认为椭圆E不是真实的椭圆，将第4步和第2步中删除的num+4个点返回V中，并跳转到第2步。
6.认为椭圆E是一个真实存在的椭圆，f置0，并跳转到第2步。
随机hough变换的优缺点如下：
第一，由于该算法是基于最小二乘法，所以一方面检测结果往往比真实椭圆小而且对噪声敏感，但是另一方面当预处理效果较好时检测精度很高。
第二，由于该算法基于随机采样，所以一方面可能会有所选点距离较近的情况造成拟合出的椭圆偏差较大，但是另一方面因为随机采样的灵活性检测速度提升了。
第三，一方面当参数选取的较好时检测又快有准确；另一方面，由于该算法严格由参数Ta，Td，Tr控制而且这些参数不易取到合适值，所以会出现不合适的参数不仅增加计算量，而且增加误检机会的情况。

最优化方法

最优化类方法优点在其精度上，缺点是其一次只能处理一个图形，即此前要对图像信息进行分类分离。AndrewFitzgibb等人提出了直接最小二乘法椭圆拟合算法。该方法能保证拟合出来的一定是椭圆。但该方法受到孤立点和噪声点的影响。目前最优化算法多与其他算法一起结合使用。

基于弧段的方法

基于边界聚类的椭圆检测方法结合使用了基于弧段的方法和最小二乘法。从边界图提取圆弧，再经过过滤、聚类，最终用最小二乘法拟合出椭圆。该方法能有效应对多个椭圆、椭圆相互遮挡和椭圆部分缺损等复杂情况，因而引起了广泛的注意。

边界聚类算法流程

边界聚类算法属于从下往上结构的算法。算法步骤主要分为三步，分别是预处理，边界聚类和直接最小二乘法拟合椭圆三个过程。流程图如下所示：