用openCV和python检测对象答案

【问题标题】：Detect object with openCV and python用openCV和python检测对象
【发布时间】：2013-01-24 12:18:07
【问题描述】：

我正在尝试使用 OpenCV 和 Python 检测下图中的白点。

我尝试使用函数 cv2.HoughCircles 但没有任何成功。

我需要使用其他方法吗？

这是我的代码：

import cv2, cv
import numpy as np
import sys

if len(sys.argv)>1:
    filename = sys.argv[1]
else:
    filename = 'p.png'

img_gray = cv2.imread(filename,cv2.CV_LOAD_IMAGE_GRAYSCALE)

if img_gray==None:
    print "cannot open ",filename

else:
    img = cv2.GaussianBlur(img_gray, (0,0), 2)
    cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
    circles = cv2.HoughCircles(img,cv2.cv.CV_HOUGH_GRADIENT,4,10,param1=200,param2=100,minRadius=3,maxRadius=100)
if circles:
    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),1) 
        cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)   

cv2.imshow('detected circles',cimg)
cv2.waitKey(0)
cv2.destroyAllWindows()

【问题讨论】：

图片边框周围有很多白点。你能澄清你想找到哪些点吗？也许靠近中心的那些根本不是点？

标签： python image-processing opencv object-detection

【解决方案1】：

如果您可以在 OpenCV 中重现形态重建，则可以轻松构建 h-dome 变换，从而显着简化任务。否则，高斯滤波的简单阈值也可能就足够了。

Binarize[FillingTransform[GaussianFilter[f, 2], 0.4, Padding -> 1]]

在上面的代码中进行了高斯滤波，以有效抑制输入边界周围的噪声，否则在 h-dome 变换后会保留。

接下来是高斯滤波后的简单阈值 (Binarize[GaussianFilter[f, 2], 0.5]) 以及使用 Kapur 阈值方法直接二值化给出的另一个结果（参见论文“灰度图像阈值的新方法使用直方图的熵”（这不再是一种新方法，它是从 1985 年开始的））：

上面的右图在整个边界上都有很多小点（在这个图像分辨率下看不到），但是是全自动的。从这 3 个选项中，只有第二个已经存在于 OpenCV 中。

【讨论】：

【解决方案2】：

我认为中值过滤器会改善您的形象。尝试使用一些内核，3x3 或 7x7。然后，一些（本地）阈值算法将为您提供形状。您可以使用 HoughCircles，也可以只查找轮廓并检查它们的圆度。

【讨论】：

【解决方案3】：

使用合适的阈值技术将图像转换为二值图像（Otsu 可能会有所帮助）。然后使用腐蚀之类的形态学操作使圆变小，然后您就可以轻松找到它们的中心。

【讨论】：

Otsu 在这里会给出一个非常糟糕的结果，你可以自己测试一下，或者至少看看图像的直方图（提示：它是单峰的）。
是的，也许你是对的。我过去做过类似的事情，但我不记得我使用了哪种二值化，无论是 kittler 还是 otsu ..
我不是要你相信我，你自己试试吧。在i.imgur.com/w0CnlC3.png，您将看到由 Otsu 进行二值化后的结果。
但是Kapur的方法效果很好，那时就不需要形态学操作了。