- 操作系统：ubuntu22.04
- OpenCV版本：OpenCV4.9
- IDE:Visual Studio Code
- 编程语言：C++11
算法描述
在灰度图像中使用霍夫变换查找圆形。
该函数使用霍夫变换的一种修改版本在灰度图像中查找圆形。
例子：
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <math.h>
using namespace cv;
using namespace std;
int main(int argc, char** argv)
{
Mat img, gray;
if( argc != 2 || !(img=imread(argv[1], IMREAD_COLOR)).data)
return -1;
cvtColor(img, gray, COLOR_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, 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 );
waitKey(0);
return 0;
}
注意：
通常该函数能够很好地检测圆形的中心。然而，它可能无法正确找到半径。如果你知道半径范围，可以通过指定 minRadius 和 maxRadius 来帮助函数。或者，在使用 HOUGH_GRADIENT 方法的情况下，你可以将 maxRadius 设置为一个负数，以仅返回中心而不进行半径搜索，并使用额外的过程来找到正确的半径。
对图像进行轻微的平滑处理也有帮助，除非图像本身已经很平滑。例如，使用大小为 7x7 的高斯核和 1.5x1.5 的 sigma 进行 GaussianBlur() 或类似的模糊处理可能会有帮助。
HoughCircles 是 OpenCV 中用于检测图像中圆形的一个函数。Hough 变换是一种用于检测图像中特定形状的技术，尤其是直线和圆形。HoughCircles 实现了 Hough 变换的一个变种，专门用于检测圆形。
函数原型
void cv::HoughCircles
(
InputArray image,
OutputArray circles,
int method,
double dp,
double minDist,
double param1 = 100,
double param2 = 100,
int minRadius = 0,
int maxRadius = 0
)
参数
-
参数image: 8 位单通道灰度输入图像。
-
参数circles: 输出的检测到的圆形向量。每个向量编码为包含 3 或 4 个元素的浮点数向量（x, y, 半径）或（x, y, 半径, 投票数）。
-
参数method: 检测方法，参见 HoughModes。可用的方法包括 HOUGH_GRADIENT 和 HOUGH_GRADIENT_ALT。
-
参数dp: 累加器分辨率与图像分辨率的逆比。例如，如果 dp=1，累加器具有与输入图像相同的分辨率。如果 dp=2，累加器的宽度和高度各为输入图像的一半。对于 HOUGH_GRADIENT_ALT，推荐的值是 dp=1.5，除非需要检测一些非常小的圆形。
-
参数minDist: 检测到的圆形中心之间的最小距离。如果该参数太小，可能会错误地检测到多个相邻的圆形。如果太大，某些圆形可能会被遗漏。
-
参数param1: 第一个特定于方法的参数。在 HOUGH_GRADIENT 和 HOUGH_GRADIENT_ALT 的情况下，它是传递给 Canny 边缘检测器的较高阈值（较低的阈值是较高阈值的一半）。注意 HOUGH_GRADIENT_ALT 使用 Scharr 算法来计算图像的导数，所以阈值通常应该更高，例如 300 或者适用于正常曝光和对比度较高的图像。
-
参数param2: 第二个特定于方法的参数。在 HOUGH_GRADIENT 的情况下，它是检测阶段的累加器阈值，用于圆心。该值越小，可能检测到的虚假圆形越多。对应的累加器值较大的圆形将优先返回。在 HOUGH_GRADIENT_ALT 算法中，这是圆形的“完美度”度量。该值越接近 1，算法选择的圆形形状越好。大多数情况下 0.9 应该是合适的。如果你想更好地检测小圆形，可以将其减小到 0.85、0.8 或甚至更小。但同时也要尝试限制搜索范围 [minRadius, maxRadius] 以避免出现许多虚假圆形。
-
参数minRadius: 最小圆形半径。
-
参数maxRadius: 最大圆形半径。如果 <= 0，使用最大图像尺寸。如果 < 0，HOUGH_GRADIENT 返回中心而不查找半径。HOUGH_GRADIENT_ALT 总是计算圆形的半径。
代码示例
#include <iostream>
#include <opencv2/opencv.hpp>
int main( int argc, char** argv )
{
// 加载图像
cv::Mat img = cv::imread("/media/dingxin/data/study/OpenCV/sources/images/qiu.jpg", cv::IMREAD_COLOR );
if ( !img.data )
{
std::cout << "No image data" << std::endl;
return -1;
}
cv::imshow( "Original Image", img );
// 转换为灰度图
cv::Mat gray;
cvtColor( img, gray, cv::COLOR_BGR2GRAY );
// 高斯模糊减少噪声
cv::GaussianBlur( gray, gray, cv::Size( 9, 9 ), 2, 2 );
std::vector< cv::Vec3f > circles; // 存储检测到的圆形信息
// 设置参数
double dp = 1; // 累加器分辨率
double minDist = img.rows / 8; // 圆心之间的最小距离
double param1 = 100; // 边缘检测的高阈值
double param2 = 30; // 累加器阈值
int minRadius = 0; // 最小半径
int maxRadius = 0; // 最大半径
// 使用 HoughCircles 检测圆形
cv::HoughCircles( gray, circles, cv::HOUGH_GRADIENT, dp, minDist, param1, param2, minRadius, maxRadius );
// 绘制检测到的圆形
for ( size_t i = 0; i < circles.size(); i++ )
{
cv::Vec3i c = circles[ i ];
cv::Point center( cvRound( c[ 0 ] ), cvRound( c[ 1 ] ) );
int radius = cvRound( c[ 2 ] );
// 绘制圆心
cv::circle( img, center, 1, cv::Scalar( 0, 100, 100 ), 3, cv::LINE_AA );
// 绘制圆周
cv::circle( img, center, radius, cv::Scalar( 255, 0, 0 ), 3, cv::LINE_AA );
}
// 显示带有检测出圆形的图像
cv::imshow( "Detected Circles", img );
// 等待按键后关闭窗口
cv::waitKey( 0 );
return 0;
}
运行结果
