我正在尝试创建一个打开图像的程序,扫描它以寻找圆形/圆形并返回坐标,以便我可以使用cv.Circle
函数在检测到的圆上绘制圆圈。
我的问题是:如何使用cv.HoughCircles()
获取图像中检测到的圆圈的坐标/半径?
使用this页面,我发现了如何检测圆圈(这花了我很多时间才发现,因为我不理解像阈值这样的术语,而且Python的OpenCV文档非常差,几乎没有)。不幸的是,在该页面上,它没有显示如何提取从创建的CvMat
检测到的每个圆圈的信息。如何提取该信息/是否有其他方式(例如MemoryStorage()
)?
到目前为止,这是我的代码:
import cv, opencv
def main():
im = cv.LoadImageM("Proba.jpg")
gray = cv.CreateImage(cv.GetSize(im), 8, 1)
edges = cv.CreateImage(cv.GetSize(im), 8, 1)
cv.CvtColor(im, gray, cv.CV_BGR2GRAY)
cv.Canny(gray, edges, 50, 200, 3)
cv.Smooth(gray, gray, cv.CV_GAUSSIAN, 9, 9)
storage = cv.CreateMat(im.rows, 1, cv.CV_32FC3)
cv.HoughCircles(edges, storage, cv.CV_HOUGH_GRADIENT, 2, gray.height/4, 200, 100)
# Now, supposing it found circles, how do I extract the information?
print storage.r
if __name__ == '__main__':
main()
另外,HoughCircles
的最后两个参数需要具有什么值才能检测出真正的小圆圈(如屏幕上的3mm)?
感谢大家花时间和精力帮助我!
我正在使用的图片是:
答案 0 :(得分:4)
最后两个参数似乎传递给cv.Canny()
,这意味着在 cv.Canny()
内从调用cv.HoughCircles()
。我对此不太确定。
对于尺寸,它似乎是接下来的两个参数(在200, 100)
默认为0
之后,这可能意味着检测到所有尺寸。
从C ++示例的源代码中,我还可以猜测您不需要进行Canny边缘检测:
#include <cv.h>
#include <highgui.h>
#include <math.h>
using namespace cv;
int main(int argc, char** argv)
{
Mat img, gray;
if( argc != 2 && !(img=imread(argv[1], 1)).data)
return -1;
cvtColor(img, gray, CV_BGR2GRAY);
// smooth it, otherwise a lot of false circles may be detected
GaussianBlur( gray, gray, Size(9, 9), 2, 2 );
vector<Vec3f> circles;
HoughCircles(gray, circles, CV_HOUGH_GRADIENT,
2, gray->rows/4, 200, 100 );
for( size_t i = 0; i < circles.size(); i++ )
{
Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
int radius = cvRound(circles[i][2]);
// draw the circle center
circle( img, center, 3, Scalar(0,255,0), -1, 8, 0 );
// draw the circle outline
circle( img, center, radius, Scalar(0,0,255), 3, 8, 0 );
}
namedWindow( "circles", 1 );
imshow( "circles", img );
return 0;
}
你想把这个C ++代码转换成Python,我想?
for( size_t i = 0; i < circles.size(); i++ )
{
Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
int radius = cvRound(circles[i][2]);
// draw the circle center
circle( img, center, 3, Scalar(0,255,0), -1, 8, 0 );
// draw the circle outline
circle( img, center, radius, Scalar(0,0,255), 3, 8, 0 );
}
据我所知,CvMat
个对象是可迭代的,就像列表一样:
for circle in storage:
radius = circle[2]
center = (circle[0], circle[1])
cv.Circle(im, center, radius, (0, 0, 255), 3, 8, 0)
我没有任何测试图像,所以不要相信我的说法。您的完整代码可能是:
import cv
def main():
im = cv.LoadImage('Proba.jpg')
gray = cv.CreateImage(cv.GetSize(im), 8, 1)
edges = cv.CreateImage(cv.GetSize(im), 8, 1)
cv.CvtColor(im, gray, cv.CV_BGR2GRAY)
#cv.Canny(gray, edges, 20, 55, 3)
storage = cv.CreateMat(im.width, 1, cv.CV_32FC3)
cv.HoughCircles(edges, storage, cv.CV_HOUGH_GRADIENT, 5, 25, 200, 10)
for i in xrange(storage.width - 1):
radius = storage[i, 2]
center = (storage[i, 0], storage[i, 1])
print (radius, center)
cv.Circle(im, center, radius, (0, 0, 255), 3, 8, 0)
cv.NamedWindow('Circles')
cv.ShowImage('Circles', im)
cv.WaitKey(0)
if __name__ == '__main__':
main()
答案 1 :(得分:2)
对于一些有用的源代码,请查看my answer这个问题(它是C,但我使用的是C ++编译器,因为它更宽松)。
首先,我裁剪你的图像(为了方便使用)并对你的图像应用一个阈值,将前景与背景分开:
然后我直接将源代码应用于阈值图像。这是文本输出:
center x: 330 y: 507 A: 13 B: 4
center x: 78 y: 507 A: 22 B: 4
center x: 270 y: 503 A: 8 B: 8
center x: 222 y: 493 A: 21 B: 17
center x: 140 y: 484 A: 17 B: 18
center x: 394 y: 478 A: 17 B: 15
center x: 311 y: 468 A: 8 B: 8
center x: 107 y: 472 A: 12 B: 12
center x: 7 y: 472 A: 6 B: 19
center x: 337 y: 442 A: 10 B: 9
center x: 98 y: 432 A: 10 B: 10
center x: 357 y: 421 A: 7 B: 7
center x: 488 y: 429 A: 22 B: 23
center x: 411 y: 400 A: 13 B: 12
center x: 42 y: 400 A: 11 B: 12
center x: 365 y: 391 A: 14 B: 13
center x: 141 y: 396 A: 19 B: 19
center x: 9 y: 379 A: 8 B: 18
center x: 192 y: 365 A: 10 B: 9
center x: 347 y: 340 A: 20 B: 20
center x: 8 y: 305 A: 7 B: 13
center x: 95 y: 308 A: 23 B: 24
center x: 318 y: 297 A: 15 B: 15
center x: 159 y: 285 A: 10 B: 10
center x: 412 y: 291 A: 26 B: 27
center x: 504 y: 278 A: 6 B: 16
center x: 233 y: 277 A: 20 B: 20
center x: 459 y: 256 A: 15 B: 15
center x: 7 y: 239 A: 6 B: 9
center x: 377 y: 239 A: 14 B: 14
center x: 197 y: 228 A: 12 B: 12
center x: 302 y: 237 A: 12 B: 22
center x: 98 y: 224 A: 24 B: 23
center x: 265 y: 203 A: 18 B: 18
center x: 359 y: 202 A: 22 B: 22
center x: 149 y: 201 A: 20 B: 21
center x: 219 y: 169 A: 7 B: 9
center x: 458 y: 172 A: 20 B: 20
center x: 497 y: 157 A: 13 B: 21
center x: 151 y: 125 A: 18 B: 17
center x: 39 y: 109 A: 9 B: 10
center x: 81 y: 116 A: 20 B: 19
center x: 249 y: 104 A: 14 B: 13
center x: 429 y: 76 A: 23 B: 24
center x: 493 y: 33 A: 11 B: 10
center x: 334 y: 26 A: 12 B: 14
这是输出图像:
主要问题是没有检测到合并在一起的圆圈。该代码最初是为检测填充省略号而编写的,因此您可以通过调整代码来解决此问题。
答案 2 :(得分:0)
python中的类似解决方案。最初我试图运行描述here的轮廓检测,但它不能很好地运行。所以首先需要一些阈值处理。阈值代码在这里:
fimg = misc.imread("boubles.jpg")
gimg = color.colorconv.rgb2grey(fimg)
vimg = []
for l in gimg:
l2 = sign(l - 0.50) / 2 + 0.5
vimg.append(l2)
img = array(vimg)
imshow(img)
有了这个,我得到一个这样的图像:
在上面链接中描述的边缘检测后,我得到了这个:
如果检查代码,您会发现计算对象非常容易。唯一的问题是,一些气泡被计算两次。我猜测阈值函数也可以改进。但我建议使用skimage,它易于使用,并且在他们的网页上有很好的样本。