对圆和椭圆进行边缘检测

霍夫梯度：检测的圆与原始图像具有相同的大小

检测到的相邻圆的中心的最小距离（如果参数太小，除了一个真实的圆外，还可能会错误地检测到多个相邻圆。如果太大，可能会漏掉一些圆。）

在#HOUGH梯度的情况下，它是较高的. 两个阈值传递到Canny边缘检测器（较低的一个小两倍）。

在#HOUGH梯度的情况下，它是检测阶段圆心的累加器阈值。它越小，就越可能检测到假圆；minRadius：最小圆半径maxRadius：最大圆半径，如果<=0，则使用最大图像尺寸。如果<0，则返回没有找到半径的中心。

PS：在opencv中经常使用cv2.findContours()函数来查找检测物体的轮廓

"""
 -*- coding: utf-8 -*-
 author： Hao Hu
 @date   2021/12/3 8:00 AM
"""
import math

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




def circular_detect():
    """霍夫变换圆检测"""
    import cv2
    # 载入并显示图片
    img = cv2.imread('./circular.png')
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 输出图像大小，方便根据图像大小调节minRadius和maxRadius
    print(img.shape)
    ret, thresh1 = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)
    cv2.imshow('thresh1', thresh1)
    canny = cv2.Canny(thresh1, 40, 80)
    cv2.imshow('Canny', canny)

    canny = cv2.blur(canny, (3, 3))
    cv2.imshow('blur', canny)

    # 霍夫变换圆检测
    circles = cv2.HoughCircles(canny, cv2.HOUGH_GRADIENT, 1, 100, param1=50, param2=30, minRadius=30, maxRadius=150)
    # 输出返回值，方便查看类型
    print('定义了一个三维数组（x,y,r）',circles)
    # 输出检测到圆的个数
    print(len(circles[0]))
    # 根据检测到圆的信息，画出每一个圆
    for circle in circles[0]:
        if (circle[2] >= 100):
            continue
        # 圆的基本信息
        print('半径为',circle[2])
        # 坐标行列
        x = int(circle[0])
        y = int(circle[1])
        # 半径
        r = int(circle[2])
        # 在原图用指定颜色标记出圆的位置
        img = cv2.circle(img, (x, y), r, (0, 0, 255), -1)
    # 显示新图像
    cv2.imshow('circular_detection', img)


def Ellipse_feature_extraction2():
    img = cv2.imread("ellipse.png", 3)
    imgray = cv2.Canny(img, 600, 100, 3)  # Canny边缘检测，参数可更改
    ret, thresh = cv2.threshold(imgray, 127, 255, cv2.THRESH_BINARY)
    contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # contours为轮廓集，可以计算轮廓的长度、面积等
    for cnt in contours:
        if len(cnt) > 50:
            S1 = cv2.contourArea(cnt)
            ell = cv2.fitEllipse(cnt)
            S2 = math.pi * ell[1][0] * ell[1][1]
            if (S1 / S2) > 0.2:  # 面积比例，可以更改，根据数据集。。。
                img = cv2.ellipse(img, ell, (0, 255, 0), 2)
                #print(str(S1) + "    " + str(S2) + "   " + str(ell[0][0]) + "   " + str(ell[0][1]))
    print(contours[0][0][0],contours[-1][-1][-1])
    # 这是椭圆相隔最远的点
    x = (contours[0][0][0][0] + contours[-1][-1][-1][0])/2
    y = (contours[0][0][0][1] + contours[-1][-1][-1][1])/2
    print('椭圆圆心',x,y)
    r = math.sqrt((x-contours[0][0][0][0])*(x-contours[0][0][0][0])+(y-contours[0][0][0][1])*(y-contours[0][0][0][1]))
    print('椭圆半径',r)
    cv2.imshow("0", img)

if __name__ == "__main__":
    # line_detect_possible_demo()
    # circular_detect()
    Ellipse_feature_extraction2()
    cv2.waitKey(0)
    cv2.destroyAllWindows()