检测图像中的多个圆圈
Posted
技术标签:
【中文标题】检测图像中的多个圆圈【英文标题】:Detect multiple circles in an image 【发布时间】:2020-04-09 07:15:49 【问题描述】:我正在尝试检测这张图片中的水管数量。为此,我正在尝试使用 OpenCV 和基于 Python 的检测。我得到的结果让我有点困惑,因为圆圈的分布太大且不准确。
代码
import numpy as np
import argparse
import cv2
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True, help = "Path to the image")
args = vars(ap.parse_args())
# load the image, clone it for output, and then convert it to grayscale
image = cv2.imread(args["image"])
output = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
#detect circles in the image
#circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1.2, param1=40,minRadius=10,maxRadius=35)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 8.5,70,minRadius=0,maxRadius=70)
#print(len(circles[0][0]))
# ensure at least some circles were found
if circles is not None:
# convert the (x, y) coordinates and radius of the circles to integers
circles = np.round(circles[0, :]).astype("int")
# count = count+1
# print(count)
# loop over the (x, y) coordinates and radius of the circles
for (x, y, r) in circles:
# draw the circle in the output image, then draw a rectangle
# corresponding to the center of the circle
cv2.circle(output, (x, y), r, (0, 255, 0), 4)
cv2.rectangle(output, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)
# show the output image
# cv2.imshow("output", np.hstack([output]))
cv2.imwrite('output.jpg',np.hstack([output]),[cv2.IMWRITE_JPEG_QUALITY, 70])
cv2.waitKey(0)
运行此程序后,我确实看到检测到很多圆圈,但是,结果完全混乱。 我的问题是,如何改进这种检测。在 HoughCircles 方法中特别需要优化哪些参数以实现更高的准确性?或者,我应该采用通过边界框注释数百个相似图像的方法,然后在像 Yolo 这样的成熟 CNN 上训练它们以执行检测?
从这里 Measuring the diameter pictures of holes in metal parts, photographed with telecentric, monochrome camera with opencv 采用答案 2 中提到的方法。我得到了这个输出。这看起来接近于执行计数,但在图像的亮度转换期间错过了许多实际管道。
【问题讨论】:
你的代码一开始就出错了:gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
。您有蓝色管道,在提取灰度图像时利用该知识:蓝色通道将比其他通道具有更大的对比度,只需使用该通道即可。
【参考方案1】:
HoughCircles
调用最重要的参数是:
param1
:因为你使用的是cv2.HOUGH_GRADIENT
,所以param1
是边缘检测算法的较高阈值,param1 / 2
是较低阈值。
param2
:表示累加器阈值,所以值越小,返回的圈数越多。
minRadius
和 maxRadius
:示例中的蓝色圆圈的直径约为 20 像素,因此 maxRadius
使用 70 像素是算法返回这么多圆圈的原因。
minDist
:两个圆心之间的最小距离。
下面定义的参数化:
circles = cv2.HoughCircles(gray,
cv2.HOUGH_GRADIENT,
minDist=6,
dp=1.1,
param1=150,
param2=15,
minRadius=6,
maxRadius=10)
返回:
【讨论】:
这个最准确。图片包含 377 个管道,运行您的代码会检测到 373 个管道。准确度非常高,我相信这是一个很好的开始,可以更多地了解您修改的参数以更好地理解它。【参考方案2】:您可以将自适应阈值作为预处理。这基本上会寻找比相邻像素相对更亮的区域,您的全局阈值会丢失一些管道,这会使它们更好一点。
import cv2
import matplotlib.pyplot as plt
import numpy as np
img = cv2.imread('a2MTm.jpg')
blur_hor = cv2.filter2D(img[:, :, 0], cv2.CV_32F, kernel=np.ones((11,1,1), np.float32)/11.0, borderType=cv2.BORDER_CONSTANT)
blur_vert = cv2.filter2D(img[:, :, 0], cv2.CV_32F, kernel=np.ones((1,11,1), np.float32)/11.0, borderType=cv2.BORDER_CONSTANT)
mask = ((img[:,:,0]>blur_hor*1.2) | (img[:,:,0]>blur_vert*1.2)).astype(np.uint8)*255
plt.imshow(mask)
然后您可以继续执行相同的后处理步骤。
以下是一些示例处理步骤:
circles = cv2.HoughCircles(mask,
cv2.HOUGH_GRADIENT,
minDist=8,
dp=1,
param1=150,
param2=12,
minRadius=4,
maxRadius=10)
output = img.copy()
for (x, y, r) in circles[0, :, :]:
cv2.circle(output, (x, y), r, (0, 255, 0), 4)
你可以调整参数以获得你想要的,阅读参数here。
【讨论】:
我使用了这个并得到了一个非常好的转换图像,显示了可见眼中的所有圆圈。但是,当我在蒙版图像上运行 HoughCircles 时,准确度约为 50%。您能建议我如何使用这种技术获得正确的计数吗? 我分享了一些后期处理的例子,你应该可以得到高于 50% 的结果,这些是可调参数,你可以继续调整。 赞成使用蓝色通道而不是 OP 的COLOR_BGR2GRAY
转换。
终于在 378 根管道中获得了 100% 的准确度(它实际上检测到了我在手动计数中遗漏的另一根)。这是一个很好的答案。【参考方案3】:
除了使用cv2.HoughCircles
,另一种方法是使用轮廓过滤。我们可以对图像进行阈值化,然后使用纵横比、轮廓区域和斑点的半径进行过滤。结果如下:
计数:344
代码
import cv2
image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,27,3)
cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
count = 0
for c in cnts:
area = cv2.contourArea(c)
x,y,w,h = cv2.boundingRect(c)
ratio = w/h
((x, y), r) = cv2.minEnclosingCircle(c)
if ratio > .85 and ratio < 1.20 and area > 50 and area < 120 and r < 7:
cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), -1)
count += 1
print('Count: '.format(count))
cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()
【讨论】:
以上是关于检测图像中的多个圆圈的主要内容,如果未能解决你的问题,请参考以下文章