基于Halcon的高精度圆拟合算法思路

最近研究halcon的圆孔定位四个月了，这里分享一下我的心得，也是备忘

项目描述

1. 图片尺寸1600*1200
2. 支持任意类型的圆孔检测
3. 参数：圆的半径，极性
4. 极性除了内黑外白，内白外黑，还有可能是黑色条带中心，白色条带中心
5. 时间：100ms以内
6. 图像有可能虚焦
7. 用户给出的直径有可能有10%的偏差
8. 用户给的极性可能是错误的
9. 圆环周围可能有干扰边缘，但必须找到最精准边缘
10. 容差：2个像素以内
11. 宁可拒报，不允许误报

Halcon圆检测相关方法

方法	描述	缺点	比较好用的算子
区域分割	直接用对比度分割出关键的圆形	当圆环和周围颜色相近时，直接罢工	segment_image_mser
边缘分析	提取图像中的关键边缘，找到可能是圆弧的部分，拼接成一条完整圆弧，然后拟合	平滑后的精度低，不平滑图像中有很多零散圆弧干扰	edges_sub_pix
霍夫变换	通过沿着区域点画圆，找到大概率是圆心的区域	当参数半径和实际偏差较大时，得到的区域不准确	hough_circle_trans
二维边缘测量	在圆周一圈找阈值峰值点，用这些点进行拟合	有图像可能存在非常多的干扰峰值	add_metrology_object_circle_measure
NCC模板匹配	基于模板和图像的偏差	当图像圆中有复杂图像时，无法找到结果	find_ncc_models
形状模板匹配	基于模板的边缘对比度	较差的图像需要调低得分，但低得分容易带来错误结果	find_shape_models
梯度图关键点拟合	先找到梯度图中可能是圆弧的点，再用这些点进行拟合	找的点不准确容易有偏差	edges_image, fit_circle_contour_xld

算法步骤
通常，我们进行两次定位

1. 粗定位：目的是获得圆的大致位置，然后可以用reduce_domain缩小图像范围（减少精定位时间），粗定位有很多好用的方法，但是都有其局限性，这里就不赘述。
2. 精定位：为的是能找到更精确的边缘，得到更高精度的结果

算法描述
因为遇到了很多糟心的图片，所以楼主的算法也相应比较复杂
下面是简单的描述：

• 粗定位 ：
  1. create_shape_model 共需两个模板，金字塔层数设为2（1太耗时，3以上有可能找不到目标圆），一个ignore_global_polarity，一个ignore_local_polarity，最好保存模板，因为生成模板是很耗时的操作
  2. 第一次 find_shape_models 找ignore_global_polarity的模板，分数0.8，个数5，不允许重叠
  3. 第二次 find_shape_models（第一次没找到才需要） 找ignore_local_polarity的模板，分数0.8，个数5，不允许重叠
  4. 第三次 find_shape_models 平滑图像（第二次没找到才需要），找ignore_global_polarity的模板，分数0.8，个数5，不允许重叠
  注意：三次有任何一次有结果就可以直接作为粗定位结果，接下来对找到的结果逐个分析
• 精定位 ：

  1. 预处理：
     reduce_domain 缩小范围
     edges_image 获取梯度图，方向图

  2. 获取梯度方向偏差图片：
     因为圆环的梯度方向都是统一的，类似如下的图片（有可能需要旋转），我们可以用得到的梯度方向图减去下图，就可以得到梯度方向偏差图，其中灰度接近0的点就是我们所需要的关键点

     

  3. 对梯度方向偏差图做极大值抑制，得到Image_Result
     nonmax_suppression_dir 这样可以获得最可能是圆周的边缘点集

  4. 找条带边缘
     find_shape_models 找梯度方向偏差图的边缘，极性ignore_global_polarity，分数0.8，只找最高分的结果，这个结果就是我们所需的边缘

  5. 对条带边缘做精拟合
     因为shape_model得到的结果不稳定，在边缘有毛刺时容易有细微的偏差，所以我在这个结果周围找到Image_Result中的关键点进性拟合

  6. 找边缘结果
     find_shape_models 找原图的reduce_domain图的边缘，极性ignore_global_polarity，分数0.8，只找最高分的结果，这个结果就是我们所需的边缘
     注意：如果粗定位使用了平滑，那这里也需要平滑，因为图像可能存在很多噪点、条纹的干扰

  7. 对原始边缘做精拟合
     因为shape_model得到的结果不稳定，容易有细微的偏差，所以我在这个结果周围找到Image_Result中的关键点进性拟合

  8. 仍未找到目标圆的情况
     如果还没找到圆，有两种可能，
     1：图像很差
     2：客户的直径或极性输错了

  9. 权重定位法
     因为客户给出的直径有可能是错误，所以这里我使用过程中得到的半径作为目标分析，而不再使用客户给出的直径，这样也可以提高对不良结果的过滤。
     注意：精定位可以直接使用权重定位法，跳过上面的条带结果和边缘结果分析，但这样遇到多层圆环时，容易带来一半内环，一半外环的问题。

  10. 得到关键点
      对Image_Result使用get_region_points，注意严格区分正负极性，分开分析

  11. 给关键点赋予权重
      Weight = Amp (点的梯度) / Dist (点到圆心和理论直径的偏差)
      注意：权重还可以添加很多要素，比如圆周的灰度一致性，梯度方向一致性等，这里只是个例子

  12. 二值分割
      过滤出最权重较为显著的点，构成contour，过滤掉circularity较低的结果

  13. 拟合成圆
      fit_circle_contour_xld