HoughCircles:霍夫圆检测
void HoughCircles( InputArray image, OutputArray circles, int method, double dp, double minDist, double param1 = 100, double param2 = 100, int minRadius = 0, int maxRadius = 0 );
- image:输入,8-bit单通道灰度图
- circles:输出,vector,含有3或4个元素
- x:圆形x坐标
- y:圆形y坐标
- radius:圆的半径
- votes
- method:检测方法
- HOUGH_STANDARD:标准霍夫变换
- HOUGH_PROBABILISTIC:基于概率的霍夫变换
- HOUGH_MULTI_SCALE:HOUGH_STANDARD的多尺度变种
- HOUGH_GRADIENT:霍夫梯度
- 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 ,累加器的宽度和高度是原来的一半。dp大,更容易找到圆
- minDist:检测到的圆的中心之间的最小距离。如果参数太小,除了一个真一个之外,可能还会错误地检测到多个邻居圆。 如果太大,可能会遗漏一些圆圈。防止同心圆
- param1:如果检测方法为HOUGH_GRADIENT,代表Canny边缘提取的高阈值(低阈值比它小两倍)
- param2:如果检测方法为HOUGH_GRADIENT,代表检测圆心的累加器的阈值。越小检测的假圆越多
- minRadius:最小半径
- maxRadius:最大半径。如果 <= 0,则使用最大图像尺寸。 如果 < 0,则返回中心而不找到半径。
使用OpenCV C++进行霍夫圆检测的步骤和示例代码:
- 转换为灰度图像:如果图像不是灰度的,需要先转换为灰度图像。
- 使用高斯模糊:对图像应用高斯模糊,以减少噪声和细节。
- 边缘检测:使用Canny算法或其他边缘检测方法来获取图像的边缘。
- 霍夫圆检测:使用
HoughCircles
函数检测边缘图像中的圆形。 - 绘制圆:在原始图像上绘制检测到的圆。
示例代码:
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// 读取图像
Mat image = imread("path_to_your_image.jpg", IMREAD_COLOR);
if (image.empty()) {
cerr << "Could not read the image" << endl;
return 1;
}
// 转换为灰度图像
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// 使用高斯模糊
Mat blurred;
GaussianBlur(gray, blurred, Size(5, 5), 0);
// Canny 边缘检测
Mat edges;
Canny(blurred, edges, 100, 200);
// 霍夫圆检测
vector<Vec3f> circles;
HoughCircles(edges, circles,
3, // 霍夫变换的分辨率
blurred.rows / 8, // 霍夫变换的灵敏度,较小的值更敏感
100, // 阈值,确定何时一个圆被认为是检测到的
30, // 最小圆半径
200); // 最大圆半径
// 绘制圆
for (size_t i = 0; i < circles.size(); i++) {
Vec3f circle = circles[i];
Point center(cvRound(circle[0]), cvRound(circle[1]));
int radius = cvRound(circle[2]);
circle(image, center, radius, Scalar(0, 255, 0), 3, 8, 0);
}
// 显示结果
imshow("Detected Circles", image);
waitKey(0);
destroyAllWindows();
return 0;
}
最小二乘法拟合圆
最小二乘法是一种数学优化技术,它通过最小化误差的平方和来寻找数据的最佳函数匹配。在计算机视觉和图像处理中,最小二乘法常用于几何形状的拟合,比如圆。
对于圆的拟合,我们通常有一组二维点 ( x i , y i ) (x_i, y_i) (xi,yi),并且我们想要找到一个圆,使得这些点到圆周的垂直距离之和的平方最小。圆的方程可以表示为:
( x − a ) 2 + ( y − b ) 2 = r 2 (x - a)^2 + (y - b)^2 = r^2 (x−a)2+(y−b)2=r2
其中(a, b)
是圆心坐标,r
是半径。
使用最小二乘法拟合圆的步骤如下:
-
建立目标函数:定义目标函数为所有点到圆周的垂直距离平方和。
-
建立法线方程:对于圆上的每个点
(x_i, y_i)
,从圆心(a, b)
到该点的线段的斜率m
为(y_i - b) / (x_i - a)
。法线与此线段垂直,所以法线的斜率为-1/m
。 -
最小化误差:将法线方程代入圆的方程,并最小化目标函数。这通常涉及到对目标函数求导并令导数为零求解。
-
求解方程组:将得到的方程组求解,得到圆心
(a, b)
和半径r
。 -
验证和优化:检查解的合理性,并对结果进行必要的优化或迭代。
在实际编程实现中,这个过程可能会涉及到复杂的数学计算和数值方法。OpenCV的fitEllipse
函数已经实现了最小二乘法拟合,但如果你想要自己实现最小二乘法拟合圆,以下是一个简化的C++示例:
/*================================================================
功能: 最小二乘法拟合圆
传入参数:
1. pts: 轮廓
返回值: 拟合圆
================================================================*/
Circle3f circle_least_squares(std::vector<cv::Point2f> pts)
{
Circle3f lsc;
int adj_count = 0;
LABEL_ADJ:
const int pt_len = (int)pts.size();
if (pt_len < 3)
{
lsc.center.x = 0;
lsc.center.y = 0;
lsc.radius = 0;
return lsc;
}
cv::Mat A(pt_len, 3, CV_32FC1);
cv::Mat b(pt_len, 1, CV_32FC1);
for (int r = 0; r < pt_len; r++)
{
float* pData = A.ptr<float>(r);
pData[0] = pts[r].x * 2.0f;
pData[1] = pts[r].y * 2.0f;
pData[2] = 1.0f;
}
float* pb = (float*)b.data;
for (int i = 0; i < pt_len; i++)
{
pb[i] = (float)(pts[i].x * pts[i].x + pts[i].y * pts[i].y);
}
cv::Mat A_Trans;
transpose(A, A_Trans);
cv::Mat Inv_A;
invert(A_Trans * A, Inv_A);
const cv::Mat x = Inv_A * A_Trans * b;
lsc.center.x = x.at<float>(0, 0);
lsc.center.y = x.at<float>(1, 0);
lsc.radius = (float)sqrt(lsc.center.x * lsc.center.x + lsc.center.y * lsc.center.y + x.at<float>(2, 0));
const int lr = 1; // 学习率, 一般拟合的点都比较多, 所以我设置的比较大, 可以根据你的情况来设置
const int iters = pt_len; // 迭代次数, 我设置成了有多少个点就迭代多少次, 也可以根据实际情况设置
std::vector<float> losses(pt_len); // 每次迭代后的 loss 值
std::vector<float> min_loss(pt_len); // 每次迭代后的最小 loss
std::vector<float> root_val(pt_len); // 每次迭代中的开平方值, 方便以后使用
for (int i = 0; i < iters; i++)
{
float loop_loss = 0;
for (int j = 0; j < pt_len; j++)
{
// 这里第一次迭代的 x, y, r 是最小二乘的结果, 第二次迭代开始就是修正后的结果
root_val[j] = sqrt((pts[j].x - lsc.center.x) * (pts[j].x - lsc.center.x) +
(pts[j].y - lsc.center.y) * (pts[j].y - lsc.center.y));
const float loss = root_val[j] - lsc.radius;
losses[j] = loss;
loop_loss += fabs(loss);
}
min_loss[i] = loop_loss;
// 如果 loss 值不再减小, 就提前结束
if (i > 0 && min_loss[i] > min_loss[i - 1])
{
break;
}
// 下面三个是梯度值
float gx = 0;
float gy = 0;
float gr = 0;
for (int j = 0; j < pt_len; j++)
{
// 在计算梯度时要先计算偏导数, 再将 x 代数公式得到
float gxi = (lsc.center.x - pts[j].x) / root_val[j];
if (losses[j] < 0)
{
gxi *= (-1);
}
float gyi = (lsc.center.y - pts[j].y) / root_val[j];
if (losses[j] < 0)
{
gyi *= (-1);
}
float gri = -1;
if (losses[j] < 0)
{
gri = 1;
}
gx += gxi;
gy += gyi;
gr += gri;
}
gx /= pt_len;
gy /= pt_len;
gr /= pt_len;
lsc.center.x -= (lr * gx);
lsc.center.y -= (lr * gy);
lsc.radius -= (lr * gr);
}
if (adj_count < 1)
{
adj_count++;
const cv::Point2f pt(lsc.center.x, lsc.center.y);
for (auto it = pts.begin(); it != pts.end();)
{
const double dist = norm(*it - pt);
if (dist < lsc.radius * 0.90 || dist > lsc.radius * 1.10)
{
it = pts.erase(it);
}
else
{
it++;
}
}
goto LABEL_ADJ;
}
return lsc;
}
调用函数:
int main()
{
cv::Mat cv_src = cv::imread("58.jpg");
cv::Mat cv_gray;
cv::cvtColor(cv_src, cv_gray, cv::COLOR_BGR2GRAY);
cv::Mat cv_canny;
cv::Canny(cv_gray, cv_canny, 50, 150);
cv::imshow("src", cv_src);
cv::imshow("canny", cv_canny);
std::vector<cv::Point> largest_contour;
std::vector<std::vector<cv::Point>> contours;
cv::findContours(cv_canny, contours, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);
double max_area = 0.0;
for (size_t i = 0; i < contours.size(); ++i)
{
double area = cv::contourArea(contours[i]);
if (area > max_area)
{
max_area = area;
largest_contour = contours[i];
}
}
std::vector<cv::Point2f> contours_float;
for (const cv::Point& p : largest_contour)
{
contours_float.push_back(cv::Point2f(p.x, p.y));
}
Circle3f c = circle_least_squares(contours_float);
cv::circle(cv_src, c.center, 2, cv::Scalar(255, 0, 255), 4, cv::LINE_AA);
cv::circle(cv_src, c.center, c.radius, cv::Scalar(0, 0, 255), 4, cv::LINE_AA);
cv::imshow("circle", cv_src);
cv::waitKey();
}