边缘检测与霍夫变换检测圆教程（学习笔记）

边缘检测与霍夫变换检测圆教程（学习笔记，仅供参考）

1、简介

边缘检测是计算机视觉中的一项基础技术，用于识别图像中物体的边界。霍夫变换是一种特征提取技术，能够从复杂背景中识别几何形状，如直线、圆形等。本教程将介绍边缘检测的基本概念和霍夫变换检测圆的数学原理，并提供Python代码示例，帮助新手理解和实践这两种技术。

2、边缘检测

边缘检测的目的是在图像中识别出显著的边缘，这些边缘通常表示物体的轮廓。常用的边缘检测算法包括Sobel、Canny等。这些算法通过计算图像中像素点的梯度来识别边缘。

3、霍夫变换

霍夫变换是一种用于检测几何形状的技术。它通过将图像空间转换到参数空间来识别特定的形状。

3.1、数学原理

霍夫变换利用事实：在图像空间中的一条直线可以在参数空间中表示为一个点。相应地，一个圆可以由三个参数表示：圆心的x坐标、y坐标以及半径。

霍夫变换检测圆的过程可以简化为：

1. 对于图像中的每个边缘点，根据可能的半径值在参数空间中画出一系列圆或直线。
2. 在参数空间中，多个圆或直线交点处的累积值较高，这些点对应于图像空间中的圆形。

3.2、检测圆的步骤

3.2.1、已知半径–步骤（第1种情况）：

1. 应用边缘检测算法，识别图像中的边缘。
2. 对于每个边缘点，根据已知的半径，在参数空间中画圆。
3. 在参数空间中寻找累积值高的点，这些点对应的参数即为图像中圆的位置和大小。

3.2.2、已知半径（第1种情况）

左图的圆边上点（x,y）-----> 对应右图的圆心（x,y）
左图的圆心点（a,b）-----> 对应右图的圆边上点（a,b）

3.2.3、不知道知半径（第2种情况）：

1. 应用边缘检测算法，识别图像中的边缘。
2. 对于每个边缘点，根据不同的半径，在三维参数空间中画直线。
3. 在三维参数空间中寻找累积值高的点，这些点对应的参数即为图像中圆的位置和大小。

3.2.4、不知道半径（第2种情况）

思路：
1、面临的问题是：不知道图片的任意一点是否某个圆边上的点
2、但知道一个事实：如果某个点是圆边上的点，那么对应的圆心必在这个点的梯度方向上，如下图所示

3、由2这个事实知道：圆心在梯度方向这条直线上，如下图所示

4、对应到霍夫空间：梯度方向这条直线上的所有点可以表示为可能的圆心，每个可能的圆心对应3个可能的参数(a,b,r)
如下图所示，因此对应到霍夫空间就是一条斜线，以此类推，在霍夫空间可以画出很多条斜线，最后，
霍夫空间中斜线相交最越多的点就越可能是圆

4、Python演示代码

以下是使用OpenCV库进行霍夫变换检测圆的Python代码示例：

import cv2
import numpy as np

# 加载图像
image = cv2.imread('your_image_path.jpg', 0)
# 应用Canny边缘检测
# image：输入图像，应为灰度图。
# 50：低阈值（low threshold）。如果像素梯度小于此值，它不会被认为是边缘。
# 150：高阈值（high threshold）。如果像素梯度高于此值，它一定会被认为是边缘。
# apertureSize=3：Sobel算子的大小，它用于计算图像梯度。此参数可选，默认值为3。它必须是1, 3, 5, 或 7中的一个。
edges = cv2.Canny(image, 50, 150, apertureSize=3)

# 应用霍夫变换检测圆
# edges：输入图像，通常是使用Canny算法预处理过的边缘检测结果。
# cv2.HOUGH_GRADIENT：检测方法。这是实现霍夫圆变换的唯一方法。
# 1：dp，图像分辨率与累加器分辨率的比值。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，累加器的分辨率是输入图像的一半。
# 20：minDist，圆心之间的最小距离。如果参数太小，可能会错误地将多个相邻的圆检测为一个圆。如果太大，可能会错过一些圆。
# param1=50：高阈值（由Canny边缘检测器使用）。通常与前面的Canny边缘检测的高阈值一致。
# param2=30：累加器阈值。它是检测到圆的累加器阈值。值越小，检测到的假圆的可能性越大。值越大，可能会错过一些圆。
# minRadius=0：圆的最小半径。默认为0。
# maxRadius=0：圆的最大半径。默认为0，表示最大半径不限。
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)

# 画出检测到的圆
if circles is not None:
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        # 画圆
        cv2.circle(image, (i[0], i[1]), i[2], (0, 255, 0), 2)
        # 画圆心
        cv2.circle(image, (i[0], i[1]), 2, (0, 0, 255), 3)

# 显示结果图像
cv2.imshow('Detected Circles', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码效果