用OpenCV检测银球和反射球

Question

我正试图用OpenCV来检测反映环境的银球：

​

用黑球，我通过探测圆圈成功地做到了：

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

gray = cv2.GaussianBlur(gray,(5,5),0);
gray = cv2.medianBlur(gray,5)

gray = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,3.5)

kernel = np.ones((3,3),np.uint8)

gray = cv2.erode(gray,kernel,iterations = 1)

gray = cv2.dilate(gray,kernel,iterations = 1)

circles = cv2.HoughCircles(gray, cv.CV_HOUGH_GRADIENT, 1, 260, \
                    param1=30, param2=65, minRadius=0, maxRadius=0)

但是当使用银球程序时，我们没有得到任何结果。

当看程序计算出的边缘时，球的边缘是相当锋利的。但守则并没有识别任何球。

​

​

如何提高银球的检测率？我想出两种方法：-改进边缘计算，让圆检测接受边缘不清晰的图像，这是可能的吗？这样做的最佳方式是什么？

帮助是非常感谢的。

Answer 1

你必须调整你的参数。HoughCircles函数在检测圆(即使有间隙)方面做得很好。注意，HoughCircles使用canny边缘检测执行内部二值化。因此，你不需要做脱粒。

考虑到上面的图像，代码

import cv2
from matplotlib import pyplot as plt
import numpy as np

PATH = 'path/to/the/image.jpg'    

img = cv2.imread(PATH, cv2.IMREAD_GRAYSCALE)
plt.imshow(img, cmap='gray')
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 20, param1=130, param2=30, minRadius=0, maxRadius=0)
if circles is not None:
    for x, y, r in circles[0]:
        c = plt.Circle((x, y), r, fill=False, lw=3, ec='C1')
        plt.gca().add_patch(c)
plt.gcf().set_size_inches((12, 8))
plt.show()

产生结果

​

​

不同的参数意味着什么？

函数签名定义为

cv.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]])

图像和圆圈是不言自明的，将被跳过。

方法

指定内部使用的hough算法的变体。正如文档中所述，只有HOUGH_GRADIENT才是支持atm的。该方法利用了21 THE (p.2，2-1 HOUGH变换)算法。这个变体的主要优点在于减少了内存的使用。用hough变换检测圆的标准方法需要在三维hough空间(x，y和半径)中搜索。然而，21 the你的霍夫空间被减少到只有2维，这降低了相当数量的内存消耗。

dp

dp参数设置逆累加器分辨率。一个很好的解释可以找到这里。请注意，这个解释使用了标准的hough变换作为示例。但是21 But的效果是一样的。21 HT的累加器与标准的HT只是有点不同。

minDist

只需指定圆心之间的最小距离。在上面的代码示例中，它被设置为20，这意味着两个检测到的圆的中心必须是，至少是，距离对方20像素。我不知道opencv是如何过滤掉圆圈的，但是扫描源代码--它看起来像低匹配的圆圈被抛出了。

param1

指定传递给精明边缘算法的阈值。基本上，它被称为cv2.Canny(image, param1 / 2, param1)。

param2

这一段可能应该由更熟悉opencv源代码的人进行验证。param2指定累加器阈值。这个值决定了一个圆必须有多完整才能算作一个有效的圆圈。我不确定参数是在哪个单元中给出的。但是(再次扫描源代码)它看起来是一个绝对的投票阈值(这意味着它直接受到不同半径的影响)。下面的图片显示了不同的圆圈(或什么可以被识别为圆圈)。越往右走，阈值就越低，才能检测到那个圆圈。

​

​

minRadius和maxRadius

只需将圆圈搜索限制在半径的范围minRadius，maxRadius中。如果您能够近似(或知道)正在搜索的圆圈的大小，这是有用的(并且可以提高性能)。