HoughCircles源码理解

 

 

首先要感谢陈老师给予我一次这样的机会,真的万分感谢.

昨天晚上9点从亲戚火急火燎的回到家,就赶紧查看HoughCircles源代码,平时只是单纯的使用opencv并没有去研究源码,可能这也是我读研的原因,去深究我感兴趣的东西,当时华为软件精英挑战赛就碰了壁,模拟退火算法,动态规划算法,二次指数平滑,如果不能真正的去理解算法的深度,是不可能更好的使用的,最终我把这些算法认真的模拟了一遍才有了头绪进行改写移植.有时候最笨的方法才是掌握知识最牢固的。所以我建议.每看一个源码 都要手动模拟一下,最后华为软挑赛拿到第19名,我前面还有18个大佬都是名校研究生,对于当时才刚大四的我也算是尽力了,当时我就暗暗发誓一定读一所顶尖的学校,跟一个顶尖的导师。好进入正题,以下是个人的浅见,可能有理解错的地方,因为时间有限,望指正。

def HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)   #这是HoughCircles在python中的定义

 

每个参数官方都给出了详细的注解,并附上了关了参数个人的理解

@param image 8-bit, single-channel, grayscale input image.  image输入必须是8位的单通道灰度图像
@param circles Output vector of found circles.Each vector is encoded as 3 or 4 element circle也就是我们最后圆的结果集
@param method 目前只有HOUGH_GRADIENT,也就是2-1霍夫变换
@param dp 原图像和累加器juzh矩阵的像素比 一般设为1就可以了
@param minDist 圆心center中圆心之间的最小圆心距 如果小于此值,则认为两个是同一个圆(此时抛弃该圆心点,防止圆过于重合)
@param param1 canny双阈值边缘检测的高阈值,经查阅一般低阈值位高阈值的0.4或者0.5
@param param2 在确定圆心时 圆周点的梯度的累加器投票数ddata以及在确定半径时相同圆心相同半径的圆的个数max_count必须大于此阈值才认为是合法的圆心和半径
@param minRadius 最小的半径 如果过小可能会因为噪音导致找到许多杂乱无章的圆,过大会找不到圆
@param minRadius 最大的半径 如果过小可能会找不到圆,过大会找很多杂乱无章的圆

图像的梯度：梯度的方向是函数f(x,y)变化最快的方向，当图像中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像

以下纯属个人理解,作为个人学习中的笔记

opencv HoughCircles中是用的是2-1霍夫变换,相比标准霍夫变换,他将3维的霍夫空间降维成了2维的霍夫空间.圆的公式为(x-a)2+(y-b)2=r2  我们要确定一个圆首先知道圆心(x,y)和半径r 如果直接使用这三个参数 那将是一个三维的霍夫空间.所以在2-1霍夫变换将圆的确定分成了两个阶段 :
1.利用梯度累加器确定圆心 
2 根据圆心算出所有圆周点的max_count来确定半径r_best  通俗的讲,就和竞选总统一样,所有人的目的都是竞选总统(圆心相同半径不同)谁的票数多谁获胜(所有圆周点距离该圆心的半径相同数最多的才为真正的半径r_best) 我发现这会导致HoughCircles不能识别同心圆,因为投票获胜者只有一个,也就是一个圆心只对应了一个半径,所以我觉得需要改良让其可以识别同心圆.另外r_cur = ddata[sort_buf[(j + start_idx)/2]](其实我觉得取平均数效果会更好(误差更小) 而不是用中间索引对应的值) 当然是个人浅见,有待验证.

一.利用梯度累加器确定圆心
  1.1先使用canny进行双阈值边缘检测 确定边缘(边缘处梯度会变化幅度很大)
  1.2用sobel算子对检测结果进行计算水平和垂直方向的梯度
  1.3之后对符合要求的像素点(圆周点)沿着梯度方向(为无符号方向,正反两个方向都要试)(从最小半径)开始确定累加器的坐标直至(最大 半径) 让累加器此坐标点自加1之后会遍历所有的圆周点,并将圆周点压入NZ(圆周序列)序列中,此时累加器adata的矩阵构造完了
  1.4遍历累加器adata(注意是一维),对其四邻域进行非最大值抑制,符合条件且像素点累加器的值大于parma2阈值则认定该点为圆心点,之后将该点压入centers(为累加器adata的地址,圆心序列,此时是无序的)的seq序列中
  1.5此时用icvHoughSortDescent32s对圆心累加器从大到小进行排序,排好序之后将其重新放在center中(圆心序列,此时是按累加器从大到小排列是有序的)也就是说,需要只想得到一个最靠谱的圆 那肯定就取center[0],因为他的累加器值最大! 也就是票数最多的
  1.6之后再次遍历所有圆心点center,计算出他的x,y坐标 两个for循环遍历出所有的圆心之间的圆心距 如果小于参数minDist则认为两个是同一个圆(此时抛弃该圆心点,防止圆过于重合)则跳出里面的循环,接下来要在该圆心下进行筛选半径进入二阶段

二.根据圆心算出所有圆周点的max_count来确定半径
  2.1在遍历圆周点NZ 对该圆心计算出每个圆周点与该圆心点的距离(既半径),如果符合min_radius<_r2<max_radius则认同该圆心点 并将此圆周点与该圆心点的距离记录在ddata[k]中而最后的k表示是当前圆心下有有多少个圆周点符合距离要求,如果k等于0则说明该圆心点是无效的
  2.2之后在对圆的半径进行排序 如ddata为[4,3,4,3,1,6] 排好序后是 ddata=[6,4,4,3,3,1] 当然要这样ddata[sort_buf[0]]是最大半径的 而ddata[sort_buf[nz_count1-1]]是最小的半径
  2.3解释不用语言解释了 直接通俗易懂的举例子 因为有判断if(d - start_dist > dr) 判断是不是同一个圆(从后往前的)如ddata为[6,4,4,3,3,1]  (之前已经将ddata按照从大到小排好序)   设dr分辨率为1 此时d=ddata[3]为3 start_dist=ddata[4]为1  而d - start_dist=2>dr=1 所以ddata[3]与ddata[4]是属于同一个圆心不同的半径 但是真正的半径要取固定的值 此时取得是(j + start_idx)/2 即中间索引的对应的半径即r_cur = ddata[sort_buf[(j + start_idx)/2]](其实我觉得取平均数效果会更好 而不是用中间索引对应的值)r_cur只有发现相同圆心不同半径时候才更新,因为 是有序的  比如ddata为[6,4,4,3,3,1]  设dr分辨率为1 从后往前开始 半径为1(r_cur=1)的是一个圆(对应的) 半径是3(r_cur=3)和4(r_cur=4)的是一个圆此时按照公式r_cur = ddata[sort_buf[(j + start_idx)/2]]   r_cur =ddata[sort_buf[(0+4)/2]]=ddata[sort_buf[2]]=4,半径是6的是一个圆 总共有三个圆, 
但是r_cur=4的票数最多为4票即(max_count = start_idx - j=4-0=4)所以r_best=r_cur=4  所以 经过选举 该圆心最可能的半径是4 票数为4(max_count=4)
  2.4得出某个圆心的r_best和max_count后,把票数max_count与阈值param2比较 如果大于此阈值 则得出最后的圆为圆心为(cx,cy)半径为r_best 此圆的公式为 (x-cx)2+(y-cy)2=(r_best)2  画出该圆即可之后会遍历所有的圆心centers 得出所有圆心的 最佳半径。都压入最后的结果circles中,之后我们就可以根据得到的坐标点画圆啦.

C++源代码如下:
HoughCircles:
 

void cv::HoughCircles( InputArray _image, OutputArray _circles,
                       int method, double dp, double min_dist,
                       double param1, double param2,
                       int minRadius, int maxRadius )
{
    //定义一段内存
    Ptr<CvMemStorage> storage = cvCreateMemStorage(STORAGE_SIZE);
    Mat image = _image.getMat();    //提取输入图像矩阵
    CvMat c_image = image;    
    //调用cvHoughCircles函数
    CvSeq* seq = cvHoughCircles( &c_image, storage, method,
                    dp, min_dist, param1, param2, minRadius, maxRadius );
    seqToMat(seq, _circles);
}

cvHoughCircles:

CV_IMPL CvSeq*
cvHoughCircles( CvArr* src_image, void* circle_storage,
                int method, double dp, double min_dist,
                double param1, double param2,
                int min_radius, int max_radius )
{
    CvSeq* result = 0;
 
    CvMat stub, *img = (CvMat*)src_image;
    CvMat* mat = 0;
    CvSeq* circles = 0;
    CvSeq circles_header;
    CvSeqBlock circles_block;
    int circles_max = INT_MAX;    //输出最多圆形的数量，设为无穷多
    //canny边缘检测中双阈值中的高阈值
    int canny_threshold = cvRound(param1);
    //累加器阈值
    int acc_threshold = cvRound(param2);
 
    img = cvGetMat( img, &stub );
    //确保输入图像是灰度图像
    if( !CV_IS_MASK_ARR(img))
        CV_Error( CV_StsBadArg, "The source image must be 8-bit, single-channel" );
    //内存空间是否存在
    if( !circle_storage )
        CV_Error( CV_StsNullPtr, "NULL destination" );
    //确保参数的正确性
    if( dp <= 0 || min_dist <= 0 || canny_threshold <= 0 || acc_threshold <= 0 )
        CV_Error( CV_StsOutOfRange, "dp, min_dist, canny_threshold and acc_threshold must be all positive numbers" );
    //圆的最小半径要大于0
    min_radius = MAX( min_radius, 0 );
    //圆的最大半径如果小于0，则设最大半径为图像宽和长度的最大值，
    //如果最大半径小于最小半径，则设最大半径为最小半径加两个像素的宽度
    if( max_radius <= 0 )
        max_radius = MAX( img->rows, img->cols );
    else if( max_radius <= min_radius )
        max_radius = min_radius + 2;
 
    if( CV_IS_STORAGE( circle_storage ))
    {
        circles = cvCreateSeq( CV_32FC3, sizeof(CvSeq),
            sizeof(float)*3, (CvMemStorage*)circle_storage );
    }
    else if( CV_IS_MAT( circle_storage ))
    {
        mat = (CvMat*)circle_storage;
 
        if( !CV_IS_MAT_CONT( mat->type ) || (mat->rows != 1 && mat->cols != 1) ||
            CV_MAT_TYPE(mat->type) != CV_32FC3 )
            CV_Error( CV_StsBadArg,
            "The destination matrix should be continuous and have a single row or a single column" );
 
        circles = cvMakeSeqHeaderForArray( CV_32FC3, sizeof(CvSeq), sizeof(float)*3,
                mat->data.ptr, mat->rows + mat->cols - 1, &circles_header, &circles_block );
        circles_max = circles->total;
        cvClearSeq( circles );
    }
    else
        CV_Error( CV_StsBadArg, "Destination is not CvMemStorage* nor CvMat*" );
    //选择哪种算法检测圆，目前只有2-1霍夫变换
    switch( method )
    {
    case CV_HOUGH_GRADIENT:
        //调用icvHoughCirclesGradient函数
        icvHoughCirclesGradient( img, (float)dp, (float)min_dist,
                                min_radius, max_radius, canny_threshold,
                                acc_threshold, circles, circles_max );
          break;
    default:
        CV_Error( CV_StsBadArg, "Unrecognized method id" );
    }
 
    if( mat )
    {
        if( mat->cols > mat->rows )
            mat->cols = circles->total;
        else
            mat->rows = circles->total;
    }
    else
        result = circles;
    //输出圆
    return result;
}

static void
icvHoughCirclesGradient( CvMat* img, float dp, float min_dist,
                         int min_radius, int max_radius,
                         int canny_threshold, int acc_threshold,
                         CvSeq* circles, int circles_max )
{
    //为了提高运算精度，定义一个数值的位移量
    const int SHIFT = 10, ONE = 1 << SHIFT;
    //定义水平梯度和垂直梯度矩阵的地址指针
    cv::Ptr<CvMat> dx, dy;
    //定义边缘图像、累加器矩阵和半径距离矩阵的地址指针
    cv::Ptr<CvMat> edges, accum, dist_buf;
    //定义排序向量
    std::vector<int> sort_buf;
    cv::Ptr<CvMemStorage> storage;
 
    int x, y, i, j, k, center_count, nz_count;
    //事先计算好最小半径和最大半径的平方
    float min_radius2 = (float)min_radius*min_radius;
    float max_radius2 = (float)max_radius*max_radius;
    int rows, cols, arows, acols;
    int astep, *adata;
    float* ddata;
    //nz表示圆周序列，centers表示圆心序列
    CvSeq *nz, *centers;
    float idp, dr;
    CvSeqReader reader;
    //创建一个边缘图像矩阵
    edges = cvCreateMat( img->rows, img->cols, CV_8UC1 );
    //第一阶段
    //用canny边缘检测算法得到输入图像的边缘图像
    cvCanny( img, edges, MAX(canny_threshold/2,1), canny_threshold, 3 );
    //创建输入图像的水平梯度图像和垂直梯度图像
    dx = cvCreateMat( img->rows, img->cols, CV_16SC1 );
    dy = cvCreateMat( img->rows, img->cols, CV_16SC1 );
    //用Sobel算子法计算水平梯度和垂直梯度
    cvSobel( img, dx, 1, 0, 3 );
    cvSobel( img, dy, 0, 1, 3 );
    /确保累加器矩阵的分辨率不小于1
    if( dp < 1.f )
        dp = 1.f;
    //分辨率的倒数
    idp = 1.f/dp;
    //根据分辨率，创建累加器矩阵
    accum = cvCreateMat( cvCeil(img->rows*idp)+2, cvCeil(img->cols*idp)+2, CV_32SC1 );
    //初始化累加器为0
    cvZero(accum);
    //创建两个序列，
    storage = cvCreateMemStorage();
    nz = cvCreateSeq( CV_32SC2, sizeof(CvSeq), sizeof(CvPoint), storage );
    centers = cvCreateSeq( CV_32SC1, sizeof(CvSeq), sizeof(int), storage );
 
    rows = img->rows;    //图像的高
    cols = img->cols;    //图像的宽
    arows = accum->rows - 2;    //累加器的高
    acols = accum->cols - 2;    //累加器的宽
    adata = accum->data.i;    //累加器的地址指针
    astep = accum->step/sizeof(adata[0]);    /累加器的步长
    // Accumulate circle evidence for each edge pixel
    //对边缘图像计算累加和
    for( y = 0; y < rows; y++ )
    {
        //提取出边缘图像、水平梯度图像和垂直梯度图像的每行的首地址
        const uchar* edges_row = edges->data.ptr + y*edges->step;
        const short* dx_row = (const short*)(dx->data.ptr + y*dx->step);
        const short* dy_row = (const short*)(dy->data.ptr + y*dy->step);
 
        for( x = 0; x < cols; x++ )
        {
            float vx, vy;
            int sx, sy, x0, y0, x1, y1, r;
            CvPoint pt;
            //当前的水平梯度值和垂直梯度值
            vx = dx_row[x];
            vy = dy_row[x];
            //如果当前的像素不是边缘点，或者水平梯度值和垂直梯度值都为0，则继续循环。因为如果满足上面条件，该点一定不是圆周上的点
            if( !edges_row[x] || (vx == 0 && vy == 0) )
                continue;
            //计算当前点的梯度值
            float mag = sqrt(vx*vx+vy*vy);
            assert( mag >= 1 );
            //定义水平和垂直的位移量
            sx = cvRound((vx*idp)*ONE/mag);
            sy = cvRound((vy*idp)*ONE/mag);
            //把当前点的坐标定位到累加器的位置上
            x0 = cvRound((x*idp)*ONE);
            y0 = cvRound((y*idp)*ONE);
            // Step from min_radius to max_radius in both directions of the gradient
            //在梯度的两个方向上进行位移，并对累加器进行投票累计
            for(int k1 = 0; k1 < 2; k1++ )
            {
                //初始一个位移的启动
                //位移量乘以最小半径，从而保证了所检测的圆的半径一定是大于最小半径
                x1 = x0 + min_radius * sx;
                y1 = y0 + min_radius * sy;
                //在梯度的方向上位移
                // r <= max_radius保证了所检测的圆的半径一定是小于最大半径
                for( r = min_radius; r <= max_radius; x1 += sx, y1 += sy, r++ )
                {
                    int x2 = x1 >> SHIFT, y2 = y1 >> SHIFT;
                    //如果位移后的点超过了累加器矩阵的范围，则退出
                    if( (unsigned)x2 >= (unsigned)acols ||
                        (unsigned)y2 >= (unsigned)arows )
                        break;
                    //在累加器的相应位置上加1
                    adata[y2*astep + x2]++;
                }
                //把位移量设置为反方向
                sx = -sx; sy = -sy;
            }
            //把输入图像中的当前点（即圆周上的点）的坐标压入序列圆周序列nz中
            pt.x = x; pt.y = y;
            cvSeqPush( nz, &pt );
        }
    }
    //计算圆周点的总数
    nz_count = nz->total;
    //如果总数为0，说明没有检测到圆，则退出该函数
    if( !nz_count )
        return;
    //Find possible circle centers
    //遍历整个累加器矩阵，找到可能的圆心
    for( y = 1; y < arows - 1; y++ )
    {
        for( x = 1; x < acols - 1; x++ )
        {
            int base = y*(acols+2) + x;
            //如果当前的值大于阈值，并在4邻域内它是最大值，则该点被认为是圆心
            if( adata[base] > acc_threshold &&
                adata[base] > adata[base-1] && adata[base] > adata[base+1] &&
                adata[base] > adata[base-acols-2] && adata[base] > adata[base+acols+2] )
                //把当前点的地址压入圆心序列centers中
                cvSeqPush(centers, &base);
        }
    }
    //计算圆心的总数
    center_count = centers->total;
    //如果总数为0，说明没有检测到圆，则退出该函数
    if( !center_count )
        return;
    //定义排序向量的大小
    sort_buf.resize( MAX(center_count,nz_count) );
    //把圆心序列放入排序向量中
    cvCvtSeqToArray( centers, &sort_buf[0] );
    //对圆心按照由大到小的顺序进行排序
    //它的原理是经过icvHoughSortDescent32s函数后，以sort_buf中元素作为adata数组下标，adata中的元素降序排列，即adata[sort_buf[0]]是adata所有元素中最大的，adata[sort_buf[center_count-1]]是所有元素中最小的
    icvHoughSortDescent32s( &sort_buf[0], center_count, adata );
    //清空圆心序列
    cvClearSeq( centers );
    //把排好序的圆心重新放入圆心序列中
    cvSeqPushMulti( centers, &sort_buf[0], center_count );
    //创建半径距离矩阵
    dist_buf = cvCreateMat( 1, nz_count, CV_32FC1 );
    //定义地址指针
    ddata = dist_buf->data.fl;
 
    dr = dp;    //定义圆半径的距离分辨率
    //重新定义圆心之间的最小距离
    min_dist = MAX( min_dist, dp );
    //最小距离的平方
    min_dist *= min_dist;
    // For each found possible center
    // Estimate radius and check support
    //按照由大到小的顺序遍历整个圆心序列
    for( i = 0; i < centers->total; i++ )
    {
        //提取出圆心，得到该点在累加器矩阵中的偏移量
        int ofs = *(int*)cvGetSeqElem( centers, i );
        //得到圆心在累加器中的坐标位置
        y = ofs/(acols+2);
        x = ofs - (y)*(acols+2);
        //Calculate circle's center in pixels
        //计算圆心在输入图像中的坐标位置
        float cx = (float)((x + 0.5f)*dp), cy = (float)(( y + 0.5f )*dp);
        float start_dist, dist_sum;
        float r_best = 0;
        int max_count = 0;
        // Check distance with previously detected circles
        //判断当前的圆心与之前确定作为输出的圆心是否为同一个圆心
        for( j = 0; j < circles->total; j++ )
        {
            //从序列中提取出圆心
            float* c = (float*)cvGetSeqElem( circles, j );
            //计算当前圆心与提取出的圆心之间的距离，如果两者距离小于所设的阈值，则认为两个圆心是同一个圆心，退出循环
            if( (c[0] - cx)*(c[0] - cx) + (c[1] - cy)*(c[1] - cy) < min_dist )
                break;
        }
        //如果j < circles->total，说明当前的圆心已被认为与之前确定作为输出的圆心是同一个圆心，则抛弃该圆心，返回上面的for循环
        if( j < circles->total )
            continue;
        // Estimate best radius
        //第二阶段
        //开始读取圆周序列nz
        cvStartReadSeq( nz, &reader );
        for( j = k = 0; j < nz_count; j++ )
        {
            CvPoint pt;
            float _dx, _dy, _r2;
            CV_READ_SEQ_ELEM( pt, reader );
            _dx = cx - pt.x; _dy = cy - pt.y;
            //计算圆周上的点与当前圆心的距离，即半径
            _r2 = _dx*_dx + _dy*_dy;
            //如果半径在所设置的最大半径和最小半径之间
            if(min_radius2 <= _r2 && _r2 <= max_radius2 )
            {
                //把半径存入dist_buf内
                ddata[k] = _r2;
                sort_buf[k] = k;
                k++;
            }
        }
        //k表示一共有多少个圆周上的点
        int nz_count1 = k, start_idx = nz_count1 - 1;
        //nz_count1等于0也就是k等于0，说明当前的圆心没有所对应的圆，意味着当前圆心不是真正的圆心，所以抛弃该圆心，返回上面的for循环
        if( nz_count1 == 0 )
            continue;
        dist_buf->cols = nz_count1;    //得到圆周上点的个数
        cvPow( dist_buf, dist_buf, 0.5 );    //求平方根，得到真正的圆半径
        //步骤2.3，对圆半径进行排序
        icvHoughSortDescent32s( &sort_buf[0], nz_count1, (int*)ddata );
 
        dist_sum = start_dist = ddata[sort_buf[nz_count1-1]];
        //同圆心下的相同半径的个数 以及确定最佳半径
        for( j = nz_count1 - 2; j >= 0; j-- )
        {
            float d = ddata[sort_buf[j]];
 
            if( d > max_radius )
                break;
            //d表示当前半径值，start_dist表示上一次通过下面if语句更新后的半径值，dr表示半径距离分辨率，如果这两个半径距离之差大于距离分辨率，说明这两个半径一定不属于同一个圆，而两次满足if语句条件之间的那些半径值可以认为是相等的，即是属于同一个圆
            if( d - start_dist > dr )
            {
                //start_idx表示上一次进入if语句时更新的半径距离排序的序号
                // start_idx – j表示当前得到的相同半径距离的数量
                //(j + start_idx)/2表示j和start_idx中间的数
                //取中间的数所对应的半径值作为当前半径值r_cur，也就是取那些半径值相同的值
                float r_cur = ddata[sort_buf[(j + start_idx)/2]];
                //如果当前得到的半径相同的数量大于最大值max_count，则进入if语句
                if( (start_idx - j)*r_best >= max_count*r_cur ||
                    (r_best < FLT_EPSILON && start_idx - j >= max_count) )
                {
                    r_best = r_cur;    //把当前半径值作为最佳半径值
                    max_count = start_idx - j;    //更新最大值
                }
                //更新半径距离和序号
                start_dist = d;
                start_idx = j;
                dist_sum = 0;
            }
            dist_sum += d;
        }
        // Check if the circle has enough support
        //步骤2.5，最终确定输出
        //如果相同半径的数量大于所设阈值
        if( max_count > acc_threshold )
        {
            float c[3];
            c[0] = cx;    //圆心的横坐标
            c[1] = cy;    //圆心的纵坐标
            c[2] = (float)r_best;    //所对应的圆的半径
            cvSeqPush( circles, c );    //压入序列circles内
            //如果得到的圆大于阈值，则退出该函数
            if( circles->total > circles_max )
                return;
        }
    }
}

精度处理方面:
通过ONE变量 先左移SHIFT个单位,计算完成后,可以再右移SHIFT个单位,这样在计算梯度值的时候可以增加数据精度(确定的圆心更加准确 因为梯度小数部分的误差也会引起圆心的误差)

疑问:
①关于代码中accum = cvCreateMat( cvCeil(img->rows*idp)+2, cvCeil(img->cols*idp)+2, CV_32SC1 );  为什么累加器矩阵要+2呢？？？？   懂了 因为要是需要四邻域非最大值抑制。不加+2边界的矩阵进行四邻域非最大值抑制时会溢出
②astep = accum->step/sizeof(adata[0]);  astep是 累加器的步长  accum->step 因为此时累加器是二维的,所以accum->step代表每一行在矩阵中占得字节数  但adata[0]是什么东西？

算法可以改良的部分:
我发现这会导致HoughCircles不能识别同心圆,因为投票获胜者只有一个,也就是一个圆心只对应了一个半径,所以我觉得需要改良让其可以识别同心圆.另外r_cur = ddata[sort_buf[(j + start_idx)/2]](其实我觉得取平均数效果会更好(误差更小) 而不是用中间索引对应的值) 当然是个人浅见,有待验证.

延伸:
其实我觉得可以继续延伸 如用来检测长方形,此时就需要4维参数空间 因为要确定长方形的一个顶点(X,y)以及长和宽,首先根据某种方法找到顶点,之后和HoughCircles类似根据阈值确定该长和宽.目前正在想如何确定顶点,之后的就很容易了,等想到之后会继续更新。

总结:
时间有限,还有些地方可能没有完全理解,比如Sobel算子原理 canny边缘检测原理,以及一些小细节。
  

​