Question

我正在开展一个硬币识别项目。我遇到的第一件事就是从图像中提取正确的硬币，即使是非常简单的图像也是如此。硬币检测有很多好的工作方法，但我认为所有这些都需要在申请后进行人工检查。我测试了其中两个：

cv2.HoughCircles和阈值后面有findig countours。

这里有一些成功的处理例子：

cv2.HoughCircles，效果不错

cv2.HoughCircles，结果不好

但是对于第二个图像，它可以很好地解决threshloding并在它之后找到countours：

类似的东西：

gray = cv2.GaussianBlur(gray, (15, 15), 0)

#gray = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV, 11, 1)
    (_,gray) = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
  contours, hierarchy = cv2.findContours(gray, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

for i,cnt in enumerate(contours):
    ellipse = cv2.fitEllipse(cnt)
    print ellipse,type(ellipse)
    cv2.ellipse(color_img, ellipse, (0,255,0), 2)

产生了非常好的结果：

但是对于其他一些图像来说它非常纯净，

发生了这种情况，因为硬币要从另一个中关闭，而bluring已将它们合并。这是非常简单的cas和它我可以检查结果是否只有一个轮廓下降它。但有时它会更复杂。我想实现一些算法，尝试不同的分割方法并选择最好的方法。但很难为我编码这个指标 - 有谁想法怎么做？

来自示例的原始图片：这三个是相当的，但实际上不是规则 - 其中一些有背景，其中一些甚至不是硬币 - 这就是为什么我在考虑一些postchecking过程。

Answer 1

我使用具有以下参数的斑点检测器取得了成功：

Ptr<SimpleBlobDetector> detector;
SimpleBlobDetector::Params params;
params.minThreshold = 150;
params.maxThreshold = 230;
params.filterByArea = true;
params.minArea = 50;
params.maxArea = 50000;
params.filterByConvexity = true;
params.minConvexity = 0.9;
params.maxConvexity = 1.0;

params.filterByCircularity = false;
params.filterByInertia = false;
params.filterByColor = false;
detector = SimpleBlobDetector::create(params);

然后找到blob并绘制圆圈：

Mat SearchImage; // set to whatever picture contains coins
Mat DrawImage; // image to draw on with drawKeypoints
SearchImage.copyTo(DrawImage);
vector<cv::KeyPoint> keypoints;
detector->detect(SearchImage, keypoints);
drawKeypoints(SearchImage, keypoints, DrawImage, Scalar(0, 0, 0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

编辑：此示例代码使用C ++。对于Python接口，请参阅here以获取示例。

OpenCV硬币检测和自动结果检查

1 个答案: