如何通过opencv计算图像中两个圆的距离答案

【问题标题】：How to calculate the distance of two circles in a image by opencv如何通过opencv计算图像中两个圆的距离
【发布时间】：2019-06-25 07:18:47
【问题描述】：

两个圆圈的图像

我的图像包含两条纤维（在图像中显示为两个圆圈）。如何计算两根光纤的距离？

我发现很难检测到光纤的位置。我曾尝试使用 HoughCircles 函数，但参数难以优化，并且在大多数情况下无法精确定位圆。我应该先减去背景还是有其他方法？非常感谢！

【问题讨论】：

在大多数情况下无法准确定位圆圈您是在分析视频还是独立图像？如果是这样，请也链接到他们。

标签： c++ opencv image-processing hough-transform

【解决方案1】：

很遗憾，您没有展示您的预处理步骤。在我的方法中，我将执行以下操作：

将输入图像转换为灰度（参见cvtColor）。
中值模糊，保持“边缘”（参见medianBlur）。
自适应阈值（参见adaptiveTreshold）。
形态开放以消除小噪音（请参阅morphologyEx）。
查找HoughCircles 的圈子。
此处未完成：可能对找到的圆圈进行改进。排除太小或太大的圆圈。使用您拥有的所有先前信息！例如，圆圈到底可以有多大？

这是我的全部代码：

// Read image.
cv::Mat img = cv::imread("images/i7aJJ.jpg", cv::IMREAD_COLOR);

// Convert to grayscale for processing.
cv::Mat blk;
cv::cvtColor(img, blk, cv::COLOR_BGR2GRAY);

// Median blurring to improve following thresholding.
cv::medianBlur(blk, blk, 11);

// Adaptive thresholding.
cv::adaptiveThreshold(blk, blk, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 51, -2);

// Morphological opening to get rid of small noise.
cv::morphologyEx(blk, blk, cv::MORPH_OPEN, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3)));

// Find circles using Hough transform.
std::vector<cv::Vec4f> circles;
cv::HoughCircles(blk, circles, cv::HOUGH_GRADIENT, 1.0, 300, 50, 25, 100);

// TODO: Refinement of found circles, if there are more than two.
// For example, calculate areas: Neglect too small or too large areas.
// Compare all areas, and keep the two with nearly matching areas and
// suitable areas.

// Draw circles in input image.
for (Vec4f& circle : circles) {
    cv::circle(img, cv::Point(circle[0], circle[1]), circle[2], cv::Scalar(0, 0, 255), 4);
    cv::circle(img, cv::Point(circle[0], circle[1]), 5, cv::Scalar(0, 255, 0), cv::FILLED);
}

// --- Assuming there are only the two right circles left from here. --- //

// Draw some debug output in input image.
const cv::Point c1 = cv::Point(circles[0][0], circles[0][1]);
const cv::Point c2 = cv::Point(circles[1][0], circles[1][1]);
cv::line(img, c1, c2, cv::Scalar(255, 0, 0), 2);

// Calculate distance, and put in input image.
double dist = cv::norm(c1 - c2);
cv::putText(img, std::to_string(dist), cv::Point((c1.x + c2.x) / 2 + 20, (c1.y + c2.y) / 2 + 20), cv::FONT_HERSHEY_COMPLEX, 1.0, cv::Scalar(255, 0, 0));

最终输出如下：

HoughCircles 操作之前的中间图像如下所示：

总的来说，我对HoughCircles 没有那么怀疑。你“只是”必须注意你的预处理。

希望有帮助！

【讨论】：

圆的贴合度很差，尤其是底部。这只能用作预测量步骤。
@YvesDaoust 随意提出可能的改进建议，我非常乐意在我的回答中实现这些。照原样，您的评论一点帮助都没有 - 抱歉。
@YvesDaoust 我看不到，此时我还没有接受你的批评。我只是要求提供一些更有用的信息。事实上，你的最初评论的语气有点尖酸刻薄。而且，连同你的第二条评论，至少从我的角度来看，你揭示了实际上无法正确表达你的批评。真可惜，但我想并不是每个高声望的 SO 用户都能成为榜样。感谢您在我回复您的评论后投反对票。首先投反对票会更有意义，但我知道接受批评，对吧？

【解决方案2】：

可以使用霍夫圆检测，但如果您想要更稳定的检测，您应该提供更多图像。我只是去噪，然后直接进行圆圈检测。使用非局部均值去噪非常适合保留边缘，这反过来又适用于霍夫圆算法中包含的精明边缘算法。

我的代码是用 Python 编写的，但可以很容易地翻译成 C++。

import cv2 
from matplotlib import pyplot as plt

IM_PATH = 'your image path'
DS = 2 # downsample the image

orig = cv2.imread(IM_PATH, cv2.IMREAD_GRAYSCALE)
orig = cv2.resize(orig, (orig.shape[1] // DS, orig.shape[0] // DS))
img = cv2.fastNlMeansDenoising(orig, h=3, templateWindowSize=20 // DS + 1, searchWindowSize=40 // DS + 1)

plt.imshow(orig, cmap='gray')
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, dp=1, minDist=200 // DS, param1=40 // DS, param2=40 // DS, minRadius=210 // DS, maxRadius=270 // DS)

if circles is not None:
    for x, y, r in circles[0]:
        c = plt.Circle((x, y), r, fill=False, lw=1, ec='C1')
        plt.gca().add_patch(c)
plt.gcf().set_size_inches((12, 8))
plt.show()

重要

进行一些图像处理只是良好（且稳定！）对象检测的第一步。你必须利用你可以掌握的每一个细节和属性，并应用一些统计数据来改进你的结果。例如：

使用Yves' approach 作为附加项并过滤所有检测到的不与关节相交的圆圈。
一个圆圈总是在另一个圆圈下面吗？过滤掉水平对齐的对。
您能否降低 ROI（圆圈是始终位于图像中的特定区域还是无处不在）？
两个圆圈的大小总是一样吗？过滤掉不同大小的对。
...

如果您可以使用多个指标，则可以应用统计模型（例如多数投票或 knn）来找到最佳的圆对。

再次重申：始终考虑您对对象、环境及其行为的了解，并利用这些知识。

【讨论】：