霍夫圆检测

霍夫圆检测算法

[[01-霍夫圆检测算法]]

任务二

编写霍夫圆检测算法函数，检测图片中的圆的位置和参数

函数格式如下：

def detect_circles(img_path):
    """
    输入：图片路径
    输出：[
        {'center': (x,y), 'radius': r}, 
        ... # 按半径从大到小排序
    ]

代码

import cv2
import numpy as np

def detect_circles(img_path):
    # 读取图片
    image = cv2.imread(img_path)
    if image is None:
        raise ValueError("无法读取图片，请检查路径是否正确")

    # 转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 使用高斯模糊减少噪声
    blurred = cv2.GaussianBlur(gray, (9, 9), 2)

    # 使用霍夫圆变换检测圆
    circles = cv2.HoughCircles(
        blurred,
        cv2.HOUGH_GRADIENT,
        dp=1.2,          # 累加器分辨率与图像分辨率的反比
        minDist=40,      # 检测到的圆心之间的最小距离
        param1=40,       # Canny 边缘检测的高阈值
        param2=40,       # 累加器阈值，较小的值将检测到更多的圆
        minRadius=40,    # 圆的最小半径
        maxRadius=150    # 圆的最大半径
    )

    if circles is None:
        return [], image

    # 将检测到的圆转换为列表，并按半径从大到小排序
    circles = np.round(circles[0, :]).astype("int")
    circles = sorted(circles, key=lambda x: x[2], reverse=True)

    # 提取圆心和半径
    result = [{'center': (x, y), 'radius': r} for (x, y, r) in circles]

    # 在图像上绘制检测到的圆
    for circle in circles:
        center = (circle[0], circle[1])
        radius = circle[2]
        cv2.circle(image, center, radius, (0, 255, 0), 4)  # 用绿色绘制圆
        cv2.rectangle(image, (center[0] - 5, center[1] - 5), (center[0] + 5, center[1] + 5), (0, 128, 255), -1)  # 用橙色绘制圆心

    return result, image

# 示例调用
if __name__ == "__main__":
    result, image_with_circles = detect_circles("mission2/H.png")
    if result:
        for circle in result:
            print(f"圆心: {circle['center']}, 半径: {circle['radius']}")
        # 显示结果图像
        cv2.imshow('Detected Circles', image_with_circles)
        cv2.waitKey(0)
        cv2.destroyAllWindows()
    else:
        print("未检测到圆")

代码思路

先使用imread()函数读取指定路径的图片数据，保存在变量image中，如果无法读取，返回错误提示；若正常读取，先对图片数据进行预处理，因为霍夫圆变换检测函数HoughCircles()需要输入灰度图片，所以先使用cvtColor()函数转化为灰度图像，然后通过GaussianBlur()函数减少噪声，将预处理结果保存在blurred变量中。最后使用使用HoughCircles()函数对图片进行检测。期间要对 dp,minDist，param1，param2, minRadius, maxRadius 六个参数不断进行调整使得输出结果理想，最后返回结果。

代码解释

根据题目要求，函数detect_circles()的输入值img_path是图片的路径

1	`image = cv2.imread(img_path)`

通过cv2.imread() 函数将img_path路径的图片文件加载为 NumPy 数组，数组中的每个元素分别表示像素值的BGR数值

1 2	`if image is None: raise ValueError("无法读取图片，请检查路径是否正确")`

检查图片是否成功加载，当imread返回值为空（None）时，说明图片路径无效或文件损坏，抛出异常提示用户。

1	`gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)`

因为后面的HoughCircles()函数的输入需要为灰度图，所以将彩色图像转换为灰度图像。

1	`blurred = cv2.GaussianBlur(gray, (9, 9), 2)`

对灰度图像进行高斯模糊处理，参数(9, 9)表示卷积核大小，2为标准差，目的是减少噪声。

circles = cv2.HoughCircles(
	blurred,
	cv2.HOUGH_GRADIENT,
	dp=1.2,          # 累加器分辨率与图像分辨率的反比
	minDist=40,      # 检测到的圆心之间的最小距离
	param1=40,       # Canny 边缘检测的高阈值
	param2=40,       # 累加器阈值，较小的值将检测到更多的圆
	minRadius=40,    # 圆的最小半径
	maxRadius=150    # 圆的最大半径
)

使用霍夫圆变换检测圆，使用HoughCircles()方法
cv2.HoughCircles(image, method, dp, minDist, param1= x , param2= x , minRadius= x , maxRadius= x )

dp # 累加器分辨率与图像分辨率的比值
minDist # 检测到的圆心之间的最小距离
param1 # Canny 边缘检测的高阈值
param2 # 累加器阈值，较小的值将检测到更多的圆
minRadius # 圆的最小半径
maxRadius # 圆的最大半径

其中
dp=1表示累加器和输入图像具有相同的分辨率，dp=2 表示累加器的宽高是输入图像的一半。

HoughCircles()方法的返回值是一个列表。

1 2	`if circles is None: return []`

如果未检测到圆（circles为None），返回空列表。

1 2	`circles = np.round(circles[0, :]).astype("int") circles = sorted(circles, key=lambda x: x[2], reverse=True)`

将检测到的圆坐标和半径四舍五入并转换为整数类型。
按照半径从大到小对圆进行排序。

1	`result = [{'center': (x, y), 'radius': r} for (x, y, r) in circles]`

构建包含圆心和半径信息的字典列表，方便后面的绘制和输出。

for circle in circles:
    center = (circle[0], circle[1])
    radius = circle[2]
    cv2.circle(image, center, radius, (0, 255, 0), 4)
    cv2.rectangle(image, (center[0] - 5, center[1] - 5), (center[0] + 5, center[1] + 5), (0, 128, 255), -1)