用Opencv python实现精密测量

Question

实际上，我正在使用OpenCV和Python开发一个机器视觉项目。

目标：项目的目标是以高精度测量组件的尺寸。

主要硬件：

• 巴斯勒5MP照相机（aca-2500-14gm）

• 一个红色背光灯（100毫米x 100毫米）（我的组件大小约为60毫米）

实验

因为我正在考虑非常严格的公差限制，所以我首先做了一个精确的研究。我把组件放在背光源上，在不移动部件的情况下拍摄了100张图像（想象一下100帧的视频）。我测量了所有100幅图像的外径。我的毫米/像素比是0.042。我测量了测量的标准偏差，以确定精度，结果是0.03mm，这是不好的。组件和设置都没有接触，因此我希望精度为0.005mm。但我的损失是一个数量级的。我使用OpenCV的Hough圆来计算组件的OD。

代码：

import sys
import pickle
import cv2
import matplotlib.pyplot as plt
import glob
import os
import numpy as np
import pandas as pd

def find_circles(image,dp=1.7,minDist=100,param1=50,param2=50,minRadius=0,maxRadius=0):
    """ finds the center of circular objects in image using hough circle transform

    Keyword arguments
    image -- uint8: numpy ndarray of a single image (no default).
    dp -- Inverse ratio of the accumulator resolution to the image resolution (default 1.7).
    minDist -- Minimum distance in pixel distance between the centers of the detected circles (default 100).
    param1 -- First method-specific parameter (default = 50).
    param2 -- Second method-specific parameter (default = 50).
    minRadius -- Minimum circle radius in pixel distance (default = 0).
    maxRadius -- Maximum circle radius in pixel distance (default = 0).

    Output
    center -- tuple: (x,y).
    radius -- int : radius.
    ERROR if circle is not detected. returns(-1) in this case    
    """

    circles=cv2.HoughCircles(image, 
                             cv2.HOUGH_GRADIENT, 
                             dp = dp, 
                             minDist = minDist, 
                             param1=param1, 
                             param2=param2, 
                             minRadius=minRadius, 
                             maxRadius=maxRadius)
    if circles is not None:
            circles = circles.reshape(circles.shape[1],circles.shape[2])
            return(circles)
    else:
        raise ValueError("ERROR!!!!!! circle not detected try tweaking the parameters or the min and max radius")

def find_od(image_path_list):
    image_path_list.sort()
    print(len(image_path_list))
    result_df = pd.DataFrame(columns=["component_name","measured_dia_pixels","center_in_pixels"])
    for i,name in enumerate(image_path_list):
        img = cv2.imread(name,0) # read the image in grayscale
        ret,thresh_img = cv2.threshold(img, 50, 255, cv2.THRESH_BINARY_INV)
        thresh_img = cv2.bilateralFilter(thresh_img,5,91,91) #smoothing
        edges = cv2.Canny(thresh_img,100,200)
        circles = find_circles(edges,dp=1.7,minDist=100,param1=50,param2=30,minRadius=685,maxRadius=700)
        circles = np.squeeze(circles)
        result_df.loc[i] = os.path.basename(name),circles[2]*2,(circles[0],circles[1])
    result_df.sort_values("component_name",inplace=True)
    result_df.reset_index(drop=True,inplace=True)
    return(result_df)

df = find_od(glob.glob("./images/*"))
mean_d = df.measured_dia_pixels.mean()
std_deviation = np.sqrt(np.mean(np.square([abs(x-mean_d) for x in df.measured_dia_pixels])))

mm_per_pixel = 0.042
print(std_deviation * mm_per_pixel)

输出：0.024

组件的图像：

由于图像是在不干扰设置的情况下拍摄的，我预计测量的重复性大约为0.005mm（5微米）（对于100个图像），但事实并非如此。这是hough圆的问题吗？或者我在这里遗漏了什么

Answer 1

Hough设计用于检测，而不是用于量化。如果你想要精确的测量，你必须使用一个为此设计的库。OpenCV不是用来量化的，因此它的性能很差。

很久以前，我写过一篇关于使用Radon变换（Hough变换是Radon变换离散化的一种方法，在某些情况下速度很快，但不精确）更精确估计尺寸的论文：

• C、 L.Luengo Hendriks，M.van Ginkel，P.W.Verbeek和L.J.van Vliet，广义Radon变换：采样、精度和记忆考虑，模式识别38（12）：2494-2505，2005，doi:10.1016/j.patcog.2005.04.018。Here is a PDF。

但是因为你的设置是如此的好控制，你并不需要所有这些来得到一个精确的测量。下面是一个非常直接的Python脚本来量化这些漏洞：

import PyDIP as dip
import math

# Load image and set pixel size
img = dip.ImageReadTIFF('/home/cris/tmp/machined_piece.tif')
img.SetPixelSize(dip.PixelSize(0.042 * dip.Units("mm")))

# Extract object
obj = ~dip.Threshold(dip.Gauss(img))[0]
obj = dip.EdgeObjectsRemove(obj)

# Remove noise
obj = dip.Opening(dip.Closing(obj,9),9)

# Measure object area
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
objectArea = msr[1]['Size'][0]

# Measure holes
obj = dip.EdgeObjectsRemove(~obj)
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
sz = msr['Size']
holeAreas = []
for ii in sz.Objects():
   holeAreas.append(sz[ii][0])

# Add hole areas to main object area
objectArea += sum(holeAreas)

print('Object diameter = %f mm' % (2 * math.sqrt(objectArea / math.pi)))
for a in holeAreas:
   print('Hole diameter = %f mm' % (2 * math.sqrt(a / math.pi)))

这给了我输出：

Object diameter = 57.947768 mm
Hole diameter = 6.540086 mm
Hole diameter = 6.695357 mm
Hole diameter = 15.961935 mm
Hole diameter = 6.511002 mm
Hole diameter = 6.623011 mm

注意上面的代码中有很多假设。还有一个问题是相机没有正中在物体的正上方，你可以看到孔的右侧反射光。这肯定会增加这些测量的不精确性。但也要注意的是，我在测量时并没有使用物体是圆的这一知识（仅在将面积转换为直径时）。也许可以使用圆度标准来克服一些成像缺陷。

以上代码使用pyDip，一个非常粗糙的Python接口到C++库，DIPlib 3。Python语法是C++语法的直接翻译，有些东西对于Python人来说仍然很难（实际上，在C++中，它更容易使用！）但它是专门针对量化的，因此我建议您在应用程序中试用它。