如何基于OpenCV&Python实现霍夫变换圆形检测

简述

基于python使用opencv实现在一张图片中检测出圆形，并且根据坐标和半径标记出圆。不涉及理论，只讲应用。

霍夫变换检测圆形的原理

其实检测圆形和检测直线的原理差别不大，只不过直线是在二维空间，因为y=kx+b，只有k和b两个自由度。而圆形的一般性方程表示为(x-a)²+(y-b)²=r²。那么就有三个自由度圆心坐标a,b,和半径r。这就意味着需要更多的计算量，而OpenCV中提供的cvHoughCircle()函数里面可以设定半径r的取值范围，相当于有一个先验设定，在每一个r来说，在二维空间内寻找a和b就可以了，能够减少计算量。

相关函数

函数说明：

Python: cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) → circles

参数说明:

• image- 8位，单通道，灰度输入图像。
• circles- 找到的圆的输出向量。每个向量被编码为3元素的浮点向量 （x，y，半径）。
• circle_storage - 在C函数中，这是一个将包含找到的圆的输出序列的内存存储。
• method- 使用检测方法。目前，唯一实现的方法是 CV_HOUGH_GRADIENT，基本上是 21HT，在[Yuen90]中有描述 。
• dp - 累加器分辨率与图像分辨率的反比。例如，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，则累加器的宽度和高度都是一半。
• minDist -检测到的圆的中心之间的最小距离。如果参数太小，除了真正的参数外，可能会错误地检测到多个邻居圈。如果太大，可能会错过一些圈子。
• param1 - 第一个方法特定的参数。在CV_HOUGH_GRADIENT的情况下， 两个传递给Canny（）边缘检测器的阈值较高（较小的两个小于两倍）。
• param2 - 第二种方法参数。在CV_HOUGH_GRADIENT的情况下，它是检测阶段的圆心的累加器阈值。越小，可能会检测到越多的虚假圈子。首先返回对应于较大累加器值的圈子。
• minRadius -最小圆半径。
• maxRadius - 最大圆半径。

这是根据opencv官方文档谷歌翻译过来的，参数比较多，但用的时候只修改一些主要的，传入的图像和最大最小圆半径，以达到检测出想要的圆的效果。

还有要注意函数的返回值

找到的圆的输出向量。每个向量被编码为3元素的浮点向量 （x，y，半径）。

这句话不是很好理解，我们直接输出返回值就会发现是个 三层嵌套list，最内层list有三个元素，分别是圆心的行，列，半径，这表示一个圆的基本信息。多个圆基本信息组成了一个新的list，这个list包含了检测到的所有圆，即长度就是检测到圆的个数。最外层再加了个list，至于干啥的不清楚了，不影响使用就好。

下图是输出函数返回值的一个实例图

实例演示

完整代码

import  cv2

#载入并显示图片
img=cv2.imread('circle.png')
cv2.imshow('img',img)
#灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#输出图像大小，方便根据图像大小调节minRadius和maxRadius
print(img.shape)
#霍夫变换圆检测
circles= cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,param1=100,param2=30,minRadius=5,maxRadius=300)
#输出返回值，方便查看类型
print(circles)
#输出检测到圆的个数
print(len(circles[0]))

print('-------------我是条分割线-----------------')
#根据检测到圆的信息，画出每一个圆
for circle in circles[0]:
    #圆的基本信息
    print(circle[2])
    #坐标行列
    x=int(circle[0])
    y=int(circle[1])
    #半径
    r=int(circle[2])
    #在原图用指定颜色标记出圆的位置
    img=cv2.circle(img,(x,y),r,(0,0,255),-1)
#显示新图像
cv2.imshow('res',img)

#按任意键退出
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果

shell输出截图

总结