OpenCV圖像處理中“找圓技術”的使用

一、為什么“找圓”

     圓是基本圖形的一種，更為重要的是，自然情況下采集的圖像，很少大量存在“圓”；但凡存在的，大都是人工的，那么就必然代表特定的意義，從而方便定位、分割和識別。

    OpenCV現有代碼中能夠直接“找圓”，主要有2個，一個是“HoughCircle ”，另一個是“BlobDetector ”，此外基本的輪廓分析也能夠用於圓的尋找。但是這些基礎的方法，涉及到的參數比較多，一方面我們需要深入理解、一方面需要融合運用，才能夠有效提高識別准確率。因此結合實踐，整理相關內容如下：

1. “找圓”在圖像處理中的價值和應用案例；

2. 深入理解“HoughCircle ”的參數設置和優缺點；

3. 深入理解 “BlobDetector”的參數設置和應用實踐；

4. 進一步理解”閾值-輪廓-分割“的分割方法和在“找圓”上的運用；

5. 融合目前技術，提出”找圓算法鏈“，提高識別准確率。

6. 對圓度、凸性、慣性比等基礎知識的進一步認識。

希望能夠為圖像處理工程師、愛好者提供一些啟發。

二、有效“找圓”的方法

OpenCV現有代碼中，設計“找圓”算法的，主要有2個，一個是“HoughCircle ”，另一 個是“ BlobDetector   ”，此外基本的輪廓分析也能夠用於圓的尋找。

 2.1HoughCircle   霍夫圓變換

  

代碼： 

#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], 1)).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;
}

特別需要注意的是，目前版本出現新參數“HOUGH_GRADIENT_ALT”，在 默認參數下比以前有很大程度的精度提升：

但是HoughCircle的缺點也是顯而易見的，簡單來說，在默認參數下，它非常容易丟目標。

2.2BlobDetector 

所謂Blob就是圖像中一組具有某些共同屬性（例如，灰度值）的連接像素。OpenCV提供了一種方便的方法來檢測斑點並根據不同的特征對其進行過濾。

// Setup SimpleBlobDetector parameters.
SimpleBlobDetector : :Params params;
// Change thresholds
params.minThreshold  =  10;
params.maxThreshold  =  200;
// Filter by Area.
params.filterByArea  =  true;
params.minArea  =  1500;
// Filter by Circularity
params.filterByCircularity  =  true;
params.minCircularity  =  0. 1;
// Filter by Convexity
params.filterByConvexity  =  true;
params.minConvexity  =  0. 87;
// Filter by Inertia
params.filterByInertia  =  true;
params.minInertiaRatio  =  0. 01;
# if CV_MAJOR_VERSION  <  3    // If you are using OpenCV 2
   // Set up detector with params
  SimpleBlobDetector detector(params);
   // You can use the detector this way
   // detector.detect( im, keypoints);
# else
 

        // Set up detector with params

        cv::Ptr<cv::SimpleBlobDetector> detector = cv::SimpleBlobDetector::create(params);

        vector<KeyPoint> keypoints;

        detector->detect(screw1, keypoints);  
# endif

在OpenCV中實現的叫做SimpleBlobDetector，它基於以下描述的相當簡單的算法，並且進一步由參數控制，具有以下步驟。

SimpleBlobDetector : :Params : :Params()
{
    thresholdStep  =  10;     //二值化的閾值步長，即公式1的t
    minThreshold  =  50;    //二值化的起始閾值，即公式1的T1
    maxThreshold  =  220;     //二值化的終止閾值，即公式1的T2
     //重復的最小次數，只有屬於灰度圖像斑點的那些二值圖像斑點數量大於該值時，該灰度圖像斑點才被認為是特征點
    minRepeatability  =  2;   
     //最小的斑點距離，不同二值圖像的斑點間距離小於該值時，被認為是同一個位置的斑點，否則是不同位置上的斑點
    minDistBetweenBlobs  =  10;
 
    filterByColor  =  true;     //斑點顏色的限制變量
    blobColor  =  0;     //表示只提取黑色斑點；如果該變量為255，表示只提取白色斑點
 
    filterByArea  =  true;     //斑點面積的限制變量
    minArea  =  25;     //斑點的最小面積
    maxArea  =  5000;     //斑點的最大面積
 
    filterByCircularity  =  false;     //斑點圓度的限制變量，默認是不限制
    minCircularity  =  0. 8f;     //斑點的最小圓度
     //斑點的最大圓度，所能表示的float類型的最大值
    maxCircularity  = std : :numeric_limits < float > : :max();
 
    filterByInertia  =  true;     //斑點慣性率的限制變量
    minInertiaRatio  =  0. 1f;     //斑點的最小慣性率
    maxInertiaRatio  = std : :numeric_limits < float > : :max();     //斑點的最大慣性率
 
    filterByConvexity  =  true;     //斑點凸度的限制變量
    minConvexity  =  0. 95f;     //斑點的最小凸度
    maxConvexity  = std : :numeric_limits < float > : :max();     //斑點的最大凸度
}

• 閾值：通過使用以minThreshold開始的閾值對源圖像進行閾值處理，將源圖像轉換為多個二進制圖像。這些閾值以thresholdStep遞增，直到maxThreshold。因此，第一個閾值為minThreshold，第二個閾值為minThreshold + thresholdStep，第三個閾值為minThreshold + 2 x thresholdStep，依此類推；
• 分組：在每個二進制圖像中，連接的白色像素被分組在一起。我們稱這些二進制blob；
• 合並：計算二進制圖像中二進制斑點的中心，並合並比minDistBetweenBlob更近的斑點；
• 中心和半徑計算：計算並返回新合並的Blob的中心和半徑。

並且可以進一步設置SimpleBlobDetector的參數來過濾所需的Blob類型。

• 按顏色：首先需要設置filterByColor =True。設置blobColor = 0可選擇較暗的blob，blobColor = 255可以選擇較淺的blob。
• 按大小：可以通過設置參數filterByArea = 1以及minArea和maxArea的適當值來基於大小過濾blob。例如。設置minArea = 100將濾除所有少於100個像素的斑點。
• 按圓度：這只是測量斑點距圓的距離。例如。正六邊形的圓度比正方形高。要按圓度過濾，請設置filterByCircularity =1。然后為minCircularity和maxCircularity設置適當的值。圓度定義為（）。圓的為圓度為1，正方形的圓度為PI/4，依此類推。
• 
• 按凸性：凸度定義為（斑點的面積/凸包的面積）。現在，形狀的“凸包”是最緊密的凸形，它完全包圍了該形狀，用不嚴謹的話來講，給定二維平面上的點集，凸包就是將最外層的點連接起來構成的凸多邊形，它能包含點集中所有的點。直觀感受上，凸性越高則里面“奇怪的部分”越少。要按凸度過濾，需設置filterByConvexity = true，minConvexity、maxConvexity應該屬於[0,1]，而且maxConvexity> minConvexity。
• 按慣性比：這個詞匯比較抽象。我們需要知道Ratio可以衡量形狀的伸長程度。簡單來說。對於圓，此值是1，對於橢圓，它在0到1之間，對於直線，它是0。按慣性比過濾，設置filterByInertia = true，並設置minInertiaRatio、maxInertiaRatio同樣屬於[0,1]並且maxConvexity> minConvexity。

  按凸性（左低右高）	按慣性比（左低右高）

這里的基礎知識可能比較復雜，關鍵是默認參數下，識別的效果應該說出奇的好。

cv : :Ptr <cv : :SimpleBlobDetector > detector  = cv : :SimpleBlobDetector : :create();

但是存在的主要問題是由於blob分析的配置參數太多，優化起來存在困難。同時對於某些情況，明顯識別錯誤。

2.3 基本輪廓分析

更普通的情況下，我們還是需要從輪廓分析開始，通過上面提出的“圓度”來尋找圓，主要是用來“查漏補缺”，或者是用於特殊情況的查找。

三、算法融合、協作增效

在前面已經詳細分析3種主要算法的基礎上，本文的重點創造一個“算法鏈”找到的目標有效地融合起來，並且進一步橫向分析研究算法間的關系，希望多少能夠給關注這個方向、有類似需求的創作者一些思考。

算法流程

首先對於自然圖片，通過blod detection獲得准確的半徑； 而后基於准確的半徑，分別調用HoughCircle以查漏補缺； 最后，以上獲得的結果，需要進行融合篩選。這個方法，我在“鋼管識別”項目上得到了突出的成功應用，最終能夠實現非常高的准確識別。主要是基於以下幾點：

1、blobdetector能夠找到准確的圓的半徑，但是會找錯、找漏；

2、HoughCircle在有“准確的圓的半徑”的加持下，能夠很大程度上提高准確識別效率；

3、目標物體是有“固有特征”的，比如這里需要尋找的鋼管，他們的“半徑”基本上是一致的。

如果對於這個項目感興趣，可以在51cto課程上搜索，感謝閱讀至此，希望有所幫助。

來自為知筆記(Wiz)