基於梯度的霍夫圓檢測

基於梯度的霍夫圓檢測原理 略

直接看代碼

一、首先讀取一張圖片，處理成灰度圖。並對其做濾波降噪，因爲霍夫圓檢測是對噪聲敏感的。這裏用到的降噪方法一般是用保留邊緣的濾波。

src = cv.imread("D:/pythonTest/img/11.jpg")
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
gray = cv.fastNlMeansDenoising(gray,None,15,10,30)
cv.imshow("input",src)

我用的是這張圖：

二、然後就可以用霍夫圓檢測啦。

rows,cols = gray.shape
circles=cv.HoughCircles(gray,cv.HOUGH_GRADIENT,1,rows/8,None,param1=100,param2=30,minRadius=20,maxRadius=90)
if circles is not None:
    for i in circles[0,:]:
        centers = (i[0],i[1])
        raidus = i[2]
        cv.circle(src,centers,2,(0,0,255),-1,8,0)  #繪出中心
        cv.circle(src, centers, raidus, (0, 0, 255), 3, 8, 0)  #繪出輪廓
cv.imshow("circles",src)

於是得到：

挺完美的是不是 ~ ~

這裏劃出重點：

cv.HoughCircles(gray,cv.HOUGH_GRADIENT,1,rows/8,None,param1=100,param2=30,minRadius=20,maxRadius=90)

這裏的參數調整是關鍵，要根據不同的圖片來調節參數，纔能有好的效果。

參數：

（灰度圖，

方法選擇霍夫梯度法，

與原圖的比例分辨率 [ 1表示與原圖一致 ] ，

區分兩個不同圓的最小距離 [ 如果最小距離太小，就會有很多重複的圓 ]，

param1 Canny的閾值上限，

param2 累加器的閾值，

minRadius 能檢測到的圓的最小半徑，

maxRadius 能檢測到的圓的最大半徑）

 

一般會去調整最小距離和半徑。按需求收縮半徑範圍可以有效的加快檢測速度。

下面是另外兩張圖的應用：

（1）：

circles=cv.HoughCircles(gray,cv.HOUGH_GRADIENT,1,rows/8,None,param1=100,param2=30,minRadius=20,maxRadius=110)

（2）：

circles=cv.HoughCircles(gray,cv.HOUGH_GRADIENT,1,rows/8,None,param1=100,param2=30,minRadius=50,maxRadius=80)