OpenCV学习Day09霍夫圆检测、轮廓提取

霍夫圆检测代码：

#-*- coding: UTF-8 -*-
'''
 实现PEPB快速排版：ctl+alt+l

霍夫圆变换原理：
            1、从平面到极坐标转换三个参数C（x0,y0,r）其中x0,y0是圆心；
            2、假设平面坐标的任意一个圆上的点，转换到极坐标中，C（x0,y0,r）处有最大值，该点为圆心，反推其半径，检测为圆
            （在一个圆上C，选任意个点，以这些点作为圆心绘制圆，这些圆会交于一点，该点为圆C的圆心）
霍夫圆检测对噪声敏感，所以先对图像做中值滤波
基于效率，OpenCV中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步：
    1、检测边缘，发现可能的圆心
    2、基于第一步的基础上从候选圆心开始计算最佳半径大小
'''
import cv2 as cv
import numpy as np


def detectCircleDemo(image):
    dst = cv.pyrMeanShiftFiltering(image,2,110 )  # 因为霍夫圆检测最噪声敏感，故因通过边缘滤波去噪
    #sigmaSpace：尽量取小，那么“和”就小一点，主要的差异就保留下来;sigmaColor：尽量取大，目的将小的差异模糊掉，噪声去掉

    cimage = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)  # 转为灰度图像
    circles = cv.HoughCircles(cimage, cv.HOUGH_GRADIENT, 1, 90, param1=100, param2=20, minRadius=0, maxRadius=60)
    '''
    第二个参数默认，因为检测圆的方法，OpenCV2.*.*版本之中只有霍夫梯度法
    第三个参数可以设置为1就行--默认参数,步长
    第四个参数：非常重要！！是圆心与圆心之间的距离，这是一个经验值。这个大了，那么多个圆就是被认为一个圆
    第五个参数 就设为默认值就OK
    第六个参数是根据你的图像中的圆大小设置，当这张图片中的圆越小，那么此值就设置应该被设置越小。当设置的越小，那么检测出的圆越多，在检测较大的圆时则会产生很多噪声。所以要根据检测圆的大小变化。
    第七个和第八个参数 是你检测圆 最小半径和最大半径是多少。这个值也是为了进一步筛选检测出的圆
    '''
    circles = np.uint16(np.around(circles))#转化为整数
    for i in circles[0, :]:
        cv.circle(image, (i[0], i[1]), i[2], (0, 0, 255), 2)#画圆：中心点位置；半径；颜色；宽度
        cv.circle(image, (i[0], i[1]), 2, (0, 0, 255), 2)#画圆心：实质是一个小圆，此处设为一个半径为2个像素的小圆
    cv.imshow("circles", image)


src = cv.imread("E:\OpenCVTests/timg (3).jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
detectCircleDemo(src)

cv.waitKey(0)
cv.destroyAllWindows()

运行结果：为使圆检测结果准确，需要根据不同的图像调整各个API的参数
轮廓提取代码：

# -*- coding: UTF-8 -*-
import cv2 as cv
import numpy as np


# 轮廓查找
def edgeDemo(image):
    blurred = cv.GaussianBlur(image, (3, 3), 0)  # 降低噪声，因为Canny对噪声敏感
    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)
    # 梯度值计算
    xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
    ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)  # 第三个参数为处理图像的深度,此处应该用整数型
    # edgeOutPut=cv.Canny(gray,50,150)-----亦可使用本方法
    edgeOutPut = cv.Canny(xgrad, ygrad, 50, 150)
    return edgeOutPut


def contoursDemo(image):
    dst = cv.GaussianBlur(image, (3, 3),0)  # 高斯模糊，去噪点
    gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)  # 二值化
    cv.imshow("binaryImage", binary)
    #binary = edgeDemo(image)
    contous, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    #函数cv2.findContours()有三个参数。第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。
    #而返回值根据OpenCV版本不同也不一样，但这俩个版本都会返回一个元组。OpenCV2.x版本第一个元素是轮廓，而在OpenCV3.x中第二个才是轮廓。这个轮廓是一个列表，每个列表元素代表着一个轮廓。
    #本代码段使用的是OpenCV2.x版本
    for i, contou in enumerate(contous):  # 容器循环
        cv.drawContours(image, contous, i, (0, 0, 255), 2)  # 最后一个参数为-1时，填充
            #第二个参数contours表示输入的轮廓组，每一组轮廓由点vector构成，
            #第三个参数contourIdx指明画第几个轮廓，如果该参数为负值，则画全部轮廓，
            #第四个参数color为轮廓的颜色
            #第五个参数thickness为轮廓的线宽，如果为负值或CV_FILLED表示填充轮廓内部
        print(i)
    cv.imshow("detectContour", image)


src = cv.imread("E://OpenCVTests//timg (3).jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
contoursDemo(src)

cv.waitKey(0)
cv.destroyAllWindows()

运行结果：依次为原图、二值化图、查找轮廓结果