imgproc模块--霍夫圆变换

最新推荐文章于 2023-10-14 19:08:38 发布

nnUyi

最新推荐文章于 2023-10-14 19:08:38 发布

阅读量514

点赞数

分类专栏： opencv学习笔记文章标签： opencv 图像处理

opencv学习笔记专栏收录该内容

33 篇文章 0 订阅

订阅专栏

1.目的
（1）如何使用openCV的HoughCircles在图像中检测圆区域

2.原理
[1]标准霍夫变换
霍夫圆变换可以根据霍夫线变换来实现，通过极坐标来表示圆（a，b）表示圆心，R表示半径，则圆表示为：
x = a + Rcosθ
y = b + Rsinθ
θ的值为0-360
一开始我们假设R是已知的，那么我们就可以把x，y空间的公式变换为关于a、b空间的公式：
a = x1 – Rcosθ
b = y1 – Rsinθ
x1、y1为x、y空间中的每一个非零像素点，如此一来，后面的变换就可以跟霍夫线变换一样操作了。

具体操作步骤为：
①、读取一副图像
②、检测边缘，产生一副二值图像
③、对于每个非零像素转换到ab空间中
④、对于每个ab空间中的点，进行累加
⑤、提取数量最多的点作为圆点
PS：在上面提到R是假设已知的，那么当R是未知的情况怎么办？其实很简单，就是将R设置为1、2、3……这样子已知下去，慢慢试，再对R和圆心数量进行阈值就可以了。

[2]霍夫梯度法
霍夫梯度法的原理是这样的。
【1】首先对图像应用边缘检测，比如用canny边缘检测。
【2】然后，对边缘图像中的每一个非零点，考虑其局部梯度，即用Sobel（）函数计算x和y方向的Sobel一阶导数得到梯度。
【3】利用得到的梯度，由斜率指定的直线上的每一个点都在累加器中被累加，这里的斜率是从一个指定的最小值到指定的最大值的距离。
【4】同时，标记边缘图像中每一个非0像素的位置。
【5】然后从二维累加器中这些点中选择候选的中心，这些中心都大于给定阈值并且大于其所有近邻。这些候选的中心按照累加值降序排列，以便于最支持像素的中心首先出现。
【6】接下来对每一个中心，考虑所有的非0像素。
【7】这些像素按照其与中心的距离排序。从到最大半径的最小距离算起，选择非0像素最支持的一条半径。
【8】如果一个中心收到边缘图像非0像素最充分的支持，并且到前期被选择的中心有足够的距离，那么它就会被保留下来。
这个实现可以使算法执行起来更高效，或许更加重要的是，能够帮助解决三维累加器中会产生许多噪声并且使得结果不稳定的稀疏分布问题。

霍夫梯度法的缺点：
<1> 在霍夫梯度法中，我们使用Sobel导数来计算局部梯度，那么随之而来的假设是，其可以视作等同于一条局部切线，并这个不是一个数值稳定的做法。在大多数情况下，这样做会得到正确的结果，但或许会在输出中产生一些噪声。

<2> 在边缘图像中的整个非0像素集被看做每个中心的候选部分。因此，如果把累加器的阈值设置偏低，算法将要消耗比较长的时间。

<3> 因为中心是按照其关联的累加器值的升序排列的，并且如果新的中心过于接近之前已经接受的中心的话，就不会被保留下来。且当有许多同心圆或者是近似的同心圆时，霍夫梯度法的倾向是保留最大的一个圆。可以说这是一种比较极端的做法，因为在这里默认Sobel导数会产生噪声，若是对于无穷分辨率的平滑图像而言的话，这才是必须的。（实际上可以设置min_dist来解决该问题）

PS：openCV中实现的是霍夫梯度法

3.部分代码解释
（1）HoughCircles

    /*
    HoughCircles参数解释
    edge:通过边缘检测获得的二值图像，一般可以使用canny边缘检测算子
    circles：检测到的圆的参数（圆心Point（[0],[1]），半径radius([2])）
    CV_HOUGH_GRADIENT：霍夫梯度法
    dp = 1：累加器图像的反比分辨率
    min_dist = src_gray.rows/8: 检测到圆心之间的最小距离
    param_1 = 200: Canny边缘函数的高阈值
    param_2 = thresh：圆心检测阈值
    min_radius:最小能够检测的圆大小
    max_radius:最大能够检测的圆大小
    ps：min_radius， max_radius默认值为0，当max_radius设置为0时候，可以检测任意大小的圆
    */
    HoughCircles(edge, circles, CV_HOUGH_GRADIENT, 1, edge.rows/8, 200, thresh, 0, edge.rows/2);

4.完整代码
（1）CommonInclude.h

#ifndef COMMON_INCLUDE
#define COMMON_INCLUDE
#include<iostream>
#include<vector>
using namespace std;
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
#endif

（2）HoughCircles.cpp

#include"CommonInclude.h"

int thresh = 50;
int max_thresh = 200;
Mat src, gray, edge, dst;

char windowName[] = "HoughCircles";

void HoughCirclesTrans(int, void*){
    vector<Vec3f> circles;
    /*
    HoughCircles参数解释
    edge:通过边缘检测获得的二值图像，一般可以使用canny边缘检测算子
    circles：检测到的圆的参数（圆心Point（[0],[1]），半径radius([2])）
    CV_HOUGH_GRADIENT：霍夫梯度法
    dp = 1：累加器图像的反比分辨率
    min_dist = src_gray.rows/8: 检测到圆心之间的最小距离
    param_1 = 200: Canny边缘函数的高阈值
    param_2 = thresh：圆心检测阈值
    min_radius:最小能够检测的圆大小
    max_radius:最大能够检测的圆大小
    ps：min_radius， max_radius默认值为0，当max_radius设置为0时候，可以检测任意大小的圆
    */
    HoughCircles(edge, circles, CV_HOUGH_GRADIENT, 1, edge.rows/8, 200, thresh, 0, edge.rows/2);
    Point center;
    float radius;
    cvtColor(edge, dst, CV_GRAY2BGR);
    for(int i=0; i<circles.size(); i++){
        center = Point(circles[i][0], circles[i][1]);
        radius = circles[i][2];
        circle(dst, center, 2, Scalar(255,0,0), 2, 8);
        circle(dst, center, radius, Scalar(0,0,255), 2, 8);
    }
    imshow(windowName, dst);
}

int main(int argc, char** argv){
    if(argc<2){
        cout << "more parameters are required!!!" << endl;
        return(-1);
    }
    src = imread(argv[1]);
    if(!src.data){
        cout << "error to read image!!!" << endl;
        return(-1);
    }
    namedWindow(windowName, CV_WINDOW_AUTOSIZE);
    //高斯平滑，去除噪声
    GaussianBlur(src, src, Size(5,5), 0, 0);
    //转换成灰度图像
    cvtColor(src, gray, CV_BGR2GRAY);
    imshow("gray", gray);
    //Canny边缘检测
    Canny(gray, edge, 50, 200, 3);
    createTrackbar("Thresh", windowName,
            &thresh, max_thresh,
            HoughCirclesTrans);
    HoughCirclesTrans(0,0);
    waitKey(0);
    return(0);
}