使用OpenCV和Python检测物体

Question

我正在尝试用OpenCV和Python来检测下面图片中的白点。

我试过使用cv2.HoughCircles这个函数，但没有成功。

我需要用其他方法吗？

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()

Answer 1

我觉得中值滤波会让你的图像更好。你可以试试不同的核，比如3x3或者7x7的。然后再用一些（局部）阈值算法来提取形状。你可以使用HoughCircles方法，或者直接找轮廓，然后检查它们是否是圆形的。

Answer 2

首先，使用合适的阈值技术把图片转换成二值图像（可以试试Otsu方法，这个方法可能会有帮助）。接着，使用一些形态学操作，比如腐蚀，来把圆圈变小，这样你就可以更容易地找到它们的中心了。

Answer 3

如果你能在OpenCV中实现形态重建，那你就可以很简单地构建一个h-dome变换，这样可以大大简化任务。否则，简单地对高斯滤波进行阈值处理也可能足够了。

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

上面的代码中进行了高斯滤波，目的是有效地抑制输入图像边缘的噪声，否则在进行h-dome变换后，这些噪声会保留下来。

接下来是对高斯滤波后进行简单阈值处理的结果（Binarize[GaussianFilter[f, 2], 0.5]），还有一个结果是通过Kapur的阈值方法直接二值化得到的（可以参考论文《使用直方图熵的新灰度图像阈值方法》，这篇论文其实已经有点年头了，是1985年的）:

上面右边的图片在边缘有很多小点（在这个分辨率下看不太清楚），但这个方法是完全自动的。在这三种选项中，只有第二种方法已经在OpenCV中实现了。