使用OpenCV检测小圆圈（图像质量差）

Question

我正在尝试检测此图片中央可以看到的四个点： 这个转换为png，我实际上使用ppm格式（从相机的原始输出转换后）。实际处理的图片可用here

我是opencv的新手，因此在检测这些点时遇到了很大的问题。这是我迄今为止最好的结果：

正如你所看到的，我已经检测到了3个点，但除此之外，图片中的许多其他东西都被识别为圆圈。

这是代码：

    IplImage* img;
    if((img = cvLoadImage( "photos/img-000012.ppm", 1)) == 0 )
    {
        perror("cvLoadImage");
        return 1;
    }
    cvNamedWindow( "Image view", 1 );
    cvShowImage( "Image view", img );
//  cvWaitKey(0);

    IplImage* gray = cvCreateImage( cvGetSize(img), 8, 1 ); // allocate a 1 channel byte image
    CvMemStorage* storage = cvCreateMemStorage(0);
    cvCvtColor( img, gray, CV_BGR2GRAY );
    cvShowImage( "Image view", gray );
//  cvWaitKey(0);

    cvSmooth( gray, gray, CV_GAUSSIAN, 3, 3, 0, 0 );
    cvShowImage( "Image view", gray );
    cvWaitKey(0);

    CvSeq* circles = cvHoughCircles(gray, storage, CV_HOUGH_GRADIENT,
            4,      // inverse ratio of the accumulator resolution
            1,      // minimum distance between circle centres
            100,    // higher threshold value for Canny
            20,     // accumulator threshold for the circle centers; smaller->more false circles
            1,  // minimum radius
            10 );   // maximum radius

    printf("circles == %d\n", circles->total);
    int i;
    for (i = 0; i < circles->total; i++) {
        float *p = (float*)cvGetSeqElem(circles, i);
        CvPoint center = cvPoint(cvRound(p[0]),cvRound(p[1]));
        CvScalar val = cvGet2D(gray, center.y, center.x);
        if (val.val[0] < 1) continue;
        printf("%d %d %d\n", cvRound(p[0]),cvRound(p[1]), cvRound(p[2]));
        cvCircle(img,  center, cvRound(p[2]),             CV_RGB(0,255,0), 1, CV_AA, 0);
    }
    cvShowImage( "Image view", img );
    cvWaitKey(0);

你知道如何帮助吗？我将非常感激。我认为人眼很容易发现这些点，所以我希望我能用电​​脑检测它们。

Answer 1

您应该查看this post。

根据我正在开发的应用程序，我得到了：

你基本上可以根据你的情况调整这种方法，并且使其更有效率：  “5”。 （“对形状的授予（大小，面积，凸度......）进行验证或无效。在你的情况下可能会更加严格，因为你没有圆圈。你可以只需映射几乎为perfect circles的对象。此外，您知道您的圈子具有相同的大小/相对强度......

告诉我有什么不清楚，

祝你好运，

Answer 2

我认为霍夫变换不是最好的情况。可能你可以对它们进行分割，并简单地使用它们的颜色和几何参数进行识别。