如何通过opencv计算图像中两个圆的距离

Question

带有两个圆圈的图像

我有一个包含两个纤维的图像（在图像中显示为两个圆圈）。如何计算两条光纤的距离？

我发现很难检测到光纤的位置。我尝试使用HoughCircles函数，但是参数难以优化，并且在大多数情况下无法精确定位圆。我应该先减去背景还是有其他方法？非常感谢！

Answer 1

不幸的是，您尚未显示预处理步骤。在我的方法中，我将执行以下操作：

1. 将输入图像转换为灰度（请参见cvtColor）。
2. 中位数模糊，保持“边缘”（请参阅​​medianBlur）。
3. 自适应阈值设置（请参阅adaptiveTreshold）。
4. 通过形态学上的开口消除小噪音（请参见morphologyEx）。
5. 通过HoughCircles查找圈子。
6. 此处未完成：可能对找到的圈子进行了改进。排除太小或太大的圆圈。使用您所拥有的所有先前信息！例如，圆圈到底有多大？

这是我的完整代码：

// Read image.
cv::Mat img = cv::imread("images/i7aJJ.jpg", cv::IMREAD_COLOR);

// Convert to grayscale for processing.
cv::Mat blk;
cv::cvtColor(img, blk, cv::COLOR_BGR2GRAY);

// Median blurring to improve following thresholding.
cv::medianBlur(blk, blk, 11);

// Adaptive thresholding.
cv::adaptiveThreshold(blk, blk, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 51, -2);

// Morphological opening to get rid of small noise.
cv::morphologyEx(blk, blk, cv::MORPH_OPEN, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3)));

// Find circles using Hough transform.
std::vector<cv::Vec4f> circles;
cv::HoughCircles(blk, circles, cv::HOUGH_GRADIENT, 1.0, 300, 50, 25, 100);

// TODO: Refinement of found circles, if there are more than two.
// For example, calculate areas: Neglect too small or too large areas.
// Compare all areas, and keep the two with nearly matching areas and
// suitable areas.

// Draw circles in input image.
for (Vec4f& circle : circles) {
    cv::circle(img, cv::Point(circle[0], circle[1]), circle[2], cv::Scalar(0, 0, 255), 4);
    cv::circle(img, cv::Point(circle[0], circle[1]), 5, cv::Scalar(0, 255, 0), cv::FILLED);
}

// --- Assuming there are only the two right circles left from here. --- //

// Draw some debug output in input image.
const cv::Point c1 = cv::Point(circles[0][0], circles[0][1]);
const cv::Point c2 = cv::Point(circles[1][0], circles[1][1]);
cv::line(img, c1, c2, cv::Scalar(255, 0, 0), 2);

// Calculate distance, and put in input image.
double dist = cv::norm(c1 - c2);
cv::putText(img, std::to_string(dist), cv::Point((c1.x + c2.x) / 2 + 20, (c1.y + c2.y) / 2 + 20), cv::FONT_HERSHEY_COMPLEX, 1.0, cv::Scalar(255, 0, 0));

最终输出如下：

HoughCircles操作之前的中间图像如下所示：

通常，我对HoughCircles并不那么怀疑。您“只是”必须注意您的预处理。

希望有帮助！

Answer 2

可以使用霍夫圆检测，但是如果您想要更稳定的检测，则应该提供更多图像。我只是去噪，然后直接进行圆圈检测。使用非局部均值去噪在保留边缘方面非常好，这反过来又适用于霍夫圆算法中包含的canny edge算法。

我的代码是用Python编写的，但可以轻松地转换为C ++。

import cv2 
from matplotlib import pyplot as plt

IM_PATH = 'your image path'
DS = 2 # downsample the image

orig = cv2.imread(IM_PATH, cv2.IMREAD_GRAYSCALE)
orig = cv2.resize(orig, (orig.shape[1] // DS, orig.shape[0] // DS))
img = cv2.fastNlMeansDenoising(orig, h=3, templateWindowSize=20 // DS + 1, searchWindowSize=40 // DS + 1)

plt.imshow(orig, cmap='gray')
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, dp=1, minDist=200 // DS, param1=40 // DS, param2=40 // DS, minRadius=210 // DS, maxRadius=270 // DS)

if circles is not None:
    for x, y, r in circles[0]:
        c = plt.Circle((x, y), r, fill=False, lw=1, ec='C1')
        plt.gca().add_patch(c)
plt.gcf().set_size_inches((12, 8))
plt.show()

重要

进行少量图像处理只是良好（且稳定！）对象检测的第一步。您必须利用可以使用的每个细节和属性，并应用一些统计信息来改善结果。例如：

• 使用Yves' approach作为加法，并过滤所有未与关节相交的检测到的圆。
• 一个圆圈是否始终在另一个圆圈之下？筛选出水平对齐的对。
• 您是否可以降低ROI（圆圈是始终位于图像中的特定区域还是可以无处不在）？
• 两个圈子的大小总是一样吗？筛选出大小不同的对。
• ...

如果您可以使用多个指标，则可以应用统计模型（例如，多数投票或knn）来找到最佳的一对圈子。

再次：总是想想自己对物体，环境及其行为的了解，并充分利用这些知识。