【发布时间】：2019-06-05 17:47:44
【问题描述】：
我正在编写一个脚本来自动检测一组照片上的一些圆圈。我可能已经阅读了有关 HoughCircles on Stack 的所有问题，推荐的方法通常似乎是蛮力半径间隔和累加器阈值（即 param2）。半径循环的范围一般可以从图像的其他几何属性中估计出来，但是有什么好的方法可以自动限制 param2 的搜索范围呢？
如果有人对优化这种蛮力方法有任何其他提示，我也将不胜感激。
【问题讨论】：
【发布时间】：2019-06-05 17:47:44
【问题描述】：
【讨论】：
-
我理解多因素之间存在关系，所以分割方式会影响param2。在我的情况下，我使用 Otsu 的方法在传递给 HoughCircles 之前自动设置 Canny 的阈值。因此，我使用与 param1 相同的阈值。我想知道的是是否可以将 Canny 阈值或圆周搜索范围与 param2 相关联，以便智能地限制搜索范围。在您的示例中，您是如何得出 110 的值的？
-
如果你的分割可以像只有圆圈一样给出完美的结果。那么对于参数 2，它可以是大于 10 的任何值。兄弟，您无法对所有情况进行总结。然后是前中值或高斯模糊。您还想要模糊半径的整体参数 2 + 4 或 5 分割参数吗？你不可能得到直接的相关性。 110是根据我的经验。你会及时学会的。
-
这样想，如果所有输入和所有输出都已经存在关系的话。为什么我们首先需要你编写这段代码？我可以编写代码来完成所有情况，而无需人工干预，对吧？
-
所以假设我的分割是好的，从 param2=10 迭代直到 HoughCircles 返回None/null，然后从中选择最好的圆圈是一个好的策略吗？或者如果我的目标是完全自主，就放弃 Hough 并使用深度学习？
-
如果您想要一个黑盒自动解决方案。深度学习应该是你的首选。如果您热衷于获得可解释的数据，hough circle 是一种方式。参数 2 是您希望找到一个圆的方式（检测阶段圆心的累加器阈值）。值越小，需要选为圆的点越小。值越大，分类为圆形时需要的点越多