使用python opencv和HoughCircles检测图像中的圆
使用opencv检测图像中的圆要比检测具有尖锐边缘的其他形状困难得多。下面展示如何使用该cv2.HoughCircles函数通过opencv检测图像中的圆。
cv2.HoughCircles函数
检测图像中的圆，你需要使用cv2.HoughCircles函数。但该函数使用起来并不是一件容易的事。
cv2.HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)
- image：8位单通道图像，如果使用彩色图像，需要先转换成灰度图像；
- method：定义检测图像中圆的方法。目前唯一实现的方法是cv2.HOUGH_GRADIENT；
- dp：图像像素分辨率与参数空间分辨率的比值（官方文档上写的是图像分辨率与累加器分辨率的比值，它把参数空间认为是一个累加器，毕竟里面存储的都是经过的像素点的数量），dp=1，则参数空间与图像像素空间（分辨率）一样大，dp=2，参数空间的分辨率只有像素空间的一半大；
- minDist：检测到的圆的中心，（x,y）坐标之间的最小距离。如果minDist太小，则可能导致检测到多个相邻的圆。如果minDist太大，则可能导致很多圆检测不到；
- param1：用于处理边缘检测的梯度值方法；
- param2：cv2.HOUGH_GRADIENT方法的累加器阈值。阈值越小，检测到的圆越多；
- minRadius：半径的最小大小（以像素为单位）；
- maxRadius：半径的最大大小（以像素为单位）。
在设置该函数的参数值中，该minDist参数正确设置显得尤为的重要，没有最佳的minDist值，可能最终会检测不到我们理想中的圆，或者可能检测到许多错误的圆。
建立项目detectCircles.py，代码如下：
#! /usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import cv2
def detectCircles():
# 加载图像
image = cv2.imread('./images/circle_2.png')
output = image.copy()
# 转换成灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 检测圆
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1.2, 75)
# 确保至少找到一个圆
if circles is not None:
# 将圆(x, y)坐标和半径转换成int
circles = np.round(circles[0, :]).astype('int')
for (x, y, r) in circles:
# 绘制圆和半径矩形到output
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)
cv2.imshow('output', np.hstack([image, output]))
cv2.waitKey(0)
cv2.destroyAllWindows()
def main():
detectCircles()
if __name__ == "__main__":
main()
运行代码，结果如下：
该cv2.HoughCircles函数只能检测到七个圆，而不是八个圆。这是因为大外圆的中心（x，y）坐标与内圆相同，因此舍去了内圆。
总结
在这篇文章中，展示了如何使用cv2.HoughCircles在python opencv中检测图像中的圆，与检测图像中的正方形和矩形不同，检测圆形实际上要困难得多。
下载
源代码和素材
参考资料
https://www.pyimagesearch.com