检测图像中的多个圆圈答案

【问题标题】：Detect multiple circles in an image检测图像中的多个圆圈
【发布时间】：2020-04-09 07:15:49
【问题描述】：

我正在尝试检测这张图片中的水管数量。为此，我正在尝试使用 OpenCV 和基于 Python 的检测。我得到的结果让我有点困惑，因为圆圈的分布太大且不准确。

代码

import numpy as np
import argparse
import cv2

# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True, help = "Path to the image")
args = vars(ap.parse_args())

# load the image, clone it for output, and then convert it to grayscale
image = cv2.imread(args["image"])
output = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#detect circles in the image
#circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1.2, param1=40,minRadius=10,maxRadius=35)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 8.5,70,minRadius=0,maxRadius=70)

#print(len(circles[0][0]))
# ensure at least some circles were found
if circles is not None:
    # convert the (x, y) coordinates and radius of the circles to integers
    circles = np.round(circles[0, :]).astype("int")
    # count = count+1   

    # print(count) 

    # loop over the (x, y) coordinates and radius of the circles
    for (x, y, r) in circles:
        # draw the circle in the output image, then draw a rectangle
        # corresponding to the center of the circle
        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)

    # show the output image
   # cv2.imshow("output", np.hstack([output]))
    cv2.imwrite('output.jpg',np.hstack([output]),[cv2.IMWRITE_JPEG_QUALITY, 70])
    cv2.waitKey(0)

运行此程序后，我确实看到检测到很多圆圈，但是，结果完全混乱。我的问题是，如何改进这种检测。在 HoughCircles 方法中特别需要优化哪些参数以实现更高的准确性？或者，我应该采用通过边界框注释数百个相似图像的方法，然后在像 Yolo 这样的成熟 CNN 上训练它们以执行检测？

从这里 Measuring the diameter pictures of holes in metal parts, photographed with telecentric, monochrome camera with opencv 采用答案 2 中提到的方法。我得到了这个输出。这看起来接近于执行计数，但在图像的亮度转换期间错过了许多实际管道。

【问题讨论】：

你的代码一开始就出错了：gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)。您有蓝色管道，在提取灰度图像时利用该知识：蓝色通道将比其他通道具有更大的对比度，只需使用该通道即可。

标签： python opencv image-processing computer-vision object-detection

【解决方案1】：

HoughCircles 调用最重要的参数是：

param1：因为你使用的是cv2.HOUGH_GRADIENT，所以param1是边缘检测算法的较高阈值，param1 / 2是较低阈值。
param2：表示累加器阈值，所以值越小，返回的圈数越多。
minRadius 和 maxRadius：示例中的蓝色圆圈的直径约为 20 像素，因此 maxRadius 使用 70 像素是算法返回这么多圆圈的原因。
minDist：两个圆心之间的最小距离。

下面定义的参数化：

circles = cv2.HoughCircles(gray,
                           cv2.HOUGH_GRADIENT,
                           minDist=6,
                           dp=1.1,
                           param1=150,
                           param2=15,
                           minRadius=6,
                           maxRadius=10)

【讨论】：

这个最准确。图片包含 377 个管道，运行您的代码会检测到 373 个管道。准确度非常高，我相信这是一个很好的开始，可以更多地了解您修改的参数以更好地理解它。

【解决方案2】：

您可以将自适应阈值作为预处理。这基本上会寻找比相邻像素相对更亮的区域，您的全局阈值会丢失一些管道，这会使它们更好一点。

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

img = cv2.imread('a2MTm.jpg')
blur_hor = cv2.filter2D(img[:, :, 0], cv2.CV_32F, kernel=np.ones((11,1,1), np.float32)/11.0, borderType=cv2.BORDER_CONSTANT)
blur_vert = cv2.filter2D(img[:, :, 0], cv2.CV_32F, kernel=np.ones((1,11,1), np.float32)/11.0, borderType=cv2.BORDER_CONSTANT)
mask = ((img[:,:,0]>blur_hor*1.2) | (img[:,:,0]>blur_vert*1.2)).astype(np.uint8)*255

plt.imshow(mask)

然后您可以继续执行相同的后处理步骤。

以下是一些示例处理步骤：

circles = cv2.HoughCircles(mask,
                           cv2.HOUGH_GRADIENT,
                           minDist=8,
                           dp=1,
                           param1=150,
                           param2=12,
                           minRadius=4,
                           maxRadius=10)
output = img.copy()
for (x, y, r) in circles[0, :, :]:
  cv2.circle(output, (x, y), r, (0, 255, 0), 4)

你可以调整参数以获得你想要的，阅读参数here。

【讨论】：

我使用了这个并得到了一个非常好的转换图像，显示了可见眼中的所有圆圈。但是，当我在蒙版图像上运行 HoughCircles 时，准确度约为 50%。您能建议我如何使用这种技术获得正确的计数吗？
我分享了一些后期处理的例子，你应该可以得到高于 50% 的结果，这些是可调参数，你可以继续调整。
赞成使用蓝色通道而不是 OP 的 COLOR_BGR2GRAY 转换。
终于在 378 根管道中获得了 100% 的准确度（它实际上检测到了我在手动计数中遗漏的另一根）。这是一个很好的答案。

【解决方案3】：

除了使用cv2.HoughCircles，另一种方法是使用轮廓过滤。我们可以对图像进行阈值化，然后使用纵横比、轮廓区域和斑点的半径进行过滤。结果如下：

计数：344

代码

import cv2

image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,27,3)

cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
count = 0
for c in cnts:
    area = cv2.contourArea(c)
    x,y,w,h = cv2.boundingRect(c)
    ratio = w/h
    ((x, y), r) = cv2.minEnclosingCircle(c)
    if ratio > .85 and ratio < 1.20 and area > 50 and area < 120 and r < 7:
        cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), -1)
        count += 1

print('Count: {}'.format(count))

cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()

【讨论】：