OpenCV圖像處理（下）

• 一、邊緣檢測
• • 1. 原理
  • 2. Sobel檢測算子
  • • 2.1 方法
    • 2.2 應(yīng)用
  • 3. Laplacian算子
  • 4. Canny邊緣檢測
  • • 4.1 原理
    • 4.2 應(yīng)用
• 二、模版匹配和霍夫變換
• • 1. 模板匹配
  • • 1.1 原理
    • 1.2 實(shí)現(xiàn)
  • 2. 霍夫變換
  • • 2.1 原理
    • • （1）原理
      • （2）實(shí)現(xiàn)流程
    • 2.2 霍夫線檢測
    • 2.3 霍夫圓檢測[了解]
    • • （1）原理
      • （2）API
      • （3）實(shí)現(xiàn)

一、邊緣檢測

1. 原理

邊緣檢測是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊緣檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點(diǎn)。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。邊緣的表現(xiàn)形式如下圖所示：

圖像邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多方法用于邊緣檢測，它們的絕大部分可以劃分為兩類：基于搜索和基于零穿越。

• 基于搜索：通過尋找圖像一階導(dǎo)數(shù)中的最大值來檢測邊界，然后利用計(jì)算結(jié)果估計(jì)邊緣的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。

• 基于零穿越：通過尋找圖像二階導(dǎo)數(shù)零穿越來尋找邊界，代表算法是Laplacian算子。

2. Sobel檢測算子

Sobel邊緣檢測算法比較簡單，實(shí)際應(yīng)用中效率比canny邊緣檢測效率要高，但是邊緣不如Canny檢測的準(zhǔn)確，但是很多實(shí)際應(yīng)用的場合，sobel邊緣卻是首選，Sobel算子是高斯平滑與微分操作的結(jié)合體，所以其抗噪聲能力很強(qiáng)，用途較多。尤其是效率要求較高，而對細(xì)紋理不太關(guān)心的時(shí)候。

2.1 方法

對于不連續(xù)的函數(shù)，一階導(dǎo)數(shù)可以寫作：

或

所以有：

假設(shè)要處理的圖像為II，在兩個(gè)方向求導(dǎo):

• 水平變化: 將圖像II 與奇數(shù)大小的模版進(jìn)行卷積，結(jié)果為$G_x$?? 。比如，當(dāng)模板大小為3時(shí), $G_x$為:
  
• 垂直變化: 將圖像II與奇數(shù)大小的模板進(jìn)行卷積，結(jié)果為$G_y$??。比如，當(dāng)模板大小為3時(shí), $G_y$為
  

在圖像的每一點(diǎn)，結(jié)合以上兩個(gè)結(jié)果求出：

統(tǒng)計(jì)極大值所在的位置，就是圖像的邊緣。

注意：當(dāng)內(nèi)核大小為3時(shí), 以上Sobel內(nèi)核可能產(chǎn)生比較明顯的誤差， 為解決這一問題，我們使用Scharr函數(shù)，但該函數(shù)僅作用于大小為3的內(nèi)核。該函數(shù)的運(yùn)算與Sobel函數(shù)一樣快，但結(jié)果卻更加精確，其計(jì)算方法為:

2.2 應(yīng)用

利用OpenCV進(jìn)行sobel邊緣檢測的API是：

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

參數(shù)：

• src：傳入的圖像
• ddepth: 圖像的深度
• dx和dy: 指求導(dǎo)的階數(shù)，0表示這個(gè)方向上沒有求導(dǎo)，取值為0、1。
• ksize: 是Sobel算子的大小，即卷積核的大小，必須為奇數(shù)1、3、5、7，默認(rèn)為3。
  注意：如果ksize=-1，就演變成為3x3的Scharr算子。
• scale：縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)情況為沒有伸縮系數(shù)。
• borderType：圖像邊界的模式，默認(rèn)值為cv2.BORDER_DEFAULT。

Sobel函數(shù)求完導(dǎo)數(shù)后會(huì)有負(fù)值，還有會(huì)大于255的值。而原圖像是uint8，即8位無符號數(shù)，所以Sobel建立的圖像位數(shù)不夠，會(huì)有截?cái)唷Ｒ虼艘褂?6位有符號的數(shù)據(jù)類型，即cv2.CV_16S。處理完圖像后，再使用cv2.convertScaleAbs()函數(shù)將其轉(zhuǎn)回原來的uint8格式，否則圖像無法顯示。

Sobel算子是在兩個(gè)方向計(jì)算的，最后還需要用cv2.addWeighted( )函數(shù)將其組合起來

Scale_abs = cv2.convertScaleAbs(x) # 格式轉(zhuǎn)換函數(shù) result = cv2.addWeighted(src1, alpha, src2, beta) # 圖像混合

示例：

import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 讀取圖像 img = cv.imread('./image/horse.jpg',0) # 2 計(jì)算Sobel卷積結(jié)果 x = cv.Sobel(img, cv.CV_16S, 1, 0) y = cv.Sobel(img, cv.CV_16S, 0, 1) # 3 將數(shù)據(jù)進(jìn)行轉(zhuǎn)換 Scale_absX = cv.convertScaleAbs(x) # convert 轉(zhuǎn)換 scale 縮放 Scale_absY = cv.convertScaleAbs(y) # 4 結(jié)果合成 result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0) # 5 圖像顯示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原圖') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel濾波后結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

將上述代碼中計(jì)算sobel算子的部分中將ksize設(shè)為-1，就是利用Scharr進(jìn)行邊緣檢測。

x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize = -1) y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize = -1)

3. Laplacian算子

Laplacian是利用二階導(dǎo)數(shù)來檢測邊緣 。 因?yàn)閳D像是 “2維”, 我們需要在兩個(gè)方向求導(dǎo)，如下式所示：

那不連續(xù)函數(shù)的二階導(dǎo)數(shù)是：

那使用的卷積核是：

API：

laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

參數(shù)：

• Src: 需要處理的圖像，
• Ddepth: 圖像的深度，-1表示采用的是原圖像相同的深度，目標(biāo)圖像的深度必須大于等于原圖像的深度；
• ksize：算子的大小，即卷積核的大小，必須為1,3,5,7。

示例：

import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 讀取圖像 img = cv.imread('./image/horse.jpg',0) # 2 laplacian轉(zhuǎn)換 result = cv.Laplacian(img,cv.CV_16S) Scale_abs = cv.convertScaleAbs(result) # 3 圖像展示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原圖') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(Scale_abs,cmap = plt.cm.gray),plt.title('Laplacian檢測后結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

4. Canny邊緣檢測

Canny 邊緣檢測算法是一種非常流行的邊緣檢測算法，是 John F. Canny 于 1986年提出的，被認(rèn)為是最優(yōu)的邊緣檢測算法。

4.1 原理

Canny邊緣檢測算法是由4步構(gòu)成，分別介紹如下：

• 第一步：噪聲去除

由于邊緣檢測很容易受到噪聲的影響，所以首先使用$5?5$高斯濾波器去除噪聲，在圖像平滑那一章節(jié)中已經(jīng)介紹過。

• 第二步：計(jì)算圖像梯度

對平滑后的圖像使用 Sobel 算子計(jì)算水平方向和豎直方向的一階導(dǎo)數(shù)（Gx 和 Gy）。根據(jù)得到的這兩幅梯度圖（Gx 和 Gy）找到邊界的梯度和方向，公式如下:

如果某個(gè)像素點(diǎn)是邊緣，則其梯度方向總是垂直與邊緣垂直。梯度方向被歸為四類：垂直，水平，和兩個(gè)對角線方向。

• 第三步：非極大值抑制

在獲得梯度的方向和大小之后，對整幅圖像進(jìn)行掃描，去除那些非邊界上的點(diǎn)。對每一個(gè)像素進(jìn)行檢查，看這個(gè)點(diǎn)的梯度是不是周圍具有相同梯度方向的點(diǎn)中最大的。如下圖所示：

A點(diǎn)位于圖像的邊緣，在其梯度變化方向，選擇像素點(diǎn)B和C，用來檢驗(yàn)A點(diǎn)的梯度是否為極大值，若為極大值，則進(jìn)行保留，否則A點(diǎn)被抑制，最終的結(jié)果是具有“細(xì)邊”的二進(jìn)制圖像。

• 第四步：滯后閾值
  現(xiàn)在要確定真正的邊界。 我們設(shè)置兩個(gè)閾值： minVal 和 maxVal。 當(dāng)圖像的灰度梯度高于 maxVal 時(shí)被認(rèn)為是真的邊界， 低于 minVal 的邊界會(huì)被拋棄。如果介于兩者之間的話，就要看這個(gè)點(diǎn)是否與某個(gè)被確定為真正的邊界點(diǎn)相連，如果是就認(rèn)為它也是邊界點(diǎn)，如果不是就拋棄。如下圖：
  

如上圖所示，A 高于閾值 maxVal 所以是真正的邊界點(diǎn)，C 雖然低于 maxVal 但高于 minVal 并且與 A 相連，所以也被認(rèn)為是真正的邊界點(diǎn)。而 B 就會(huì)被拋棄，因?yàn)榈陀?maxVal 而且不與真正的邊界點(diǎn)相連。所以選擇合適的 maxVal 和 minVal 對于能否得到好的結(jié)果非常重要。

4.2 應(yīng)用

在OpenCV中要實(shí)現(xiàn)Canny檢測使用的API:

canny = cv2.Canny(image, threshold1, threshold2)

參數(shù)：

• image:灰度圖，
• threshold1: minval，較小的閾值將間斷的邊緣連接起來
• threshold2: maxval，較大的閾值檢測圖像中明顯的邊緣

示例：

import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 圖像讀取 img = cv.imread('./image/horse.jpg',0) # 2 Canny邊緣檢測 lowThreshold = 0 max_lowThreshold = 100 canny = cv.Canny(img, lowThreshold, max_lowThreshold) # 3 圖像展示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原圖') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny檢測后結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

二、模版匹配和霍夫變換

1. 模板匹配

1.1 原理

所謂的模板匹配，就是在給定的圖片中查找和模板最相似的區(qū)域，該算法的輸入包括模板和圖片，整個(gè)任務(wù)的思路就是按照滑窗的思路不斷的移動(dòng)模板圖片，計(jì)算其與圖像中對應(yīng)區(qū)域的匹配度，最終將匹配度最高的區(qū)域選擇為最終的結(jié)果。

實(shí)現(xiàn)流程：

• 準(zhǔn)備兩幅圖像：
  1.原圖像(I)：在這幅圖中，找到與模板相匹配的區(qū)域
  2.模板(T)：與原圖像進(jìn)行比對的圖像塊

• 滑動(dòng)模板圖像和原圖像進(jìn)行比對：
  

將模板塊每次移動(dòng)一個(gè)像素 (從左往右，從上往下)，在每一個(gè)位置，都計(jì)算與模板圖像的相似程度。

• 對于每一個(gè)位置將計(jì)算的相似結(jié)果保存在結(jié)果矩陣（R）中。如果輸入圖像的大小（WxH）且模板圖像的大小(wxh)，則輸出矩陣R的大小為（W-w + 1,H-h + 1）將R顯示為圖像，如下圖所示：
  

• 獲得上述圖像后，查找最大值所在的位置，那么該位置對應(yīng)的區(qū)域就被認(rèn)為是最匹配的。對應(yīng)的區(qū)域就是以該點(diǎn)為頂點(diǎn)，長寬和模板圖像一樣大小的矩陣。

1.2 實(shí)現(xiàn)

我們使用OpenCV中的方法實(shí)現(xiàn)模板匹配。

API：

res = cv.matchTemplate(img,template,method)

參數(shù)：

• img: 要進(jìn)行模板匹配的圖像
• Template ：模板
• method：實(shí)現(xiàn)模板匹配的算法，主要有：
  • 平方差匹配(CV_TM_SQDIFF)：利用模板與圖像之間的平方差進(jìn)行匹配，最好的匹配是0，匹配越差，匹配的值越大。
  • 相關(guān)匹配(CV_TM_CCORR)：利用模板與圖像間的乘法進(jìn)行匹配，數(shù)值越大表示匹配程度較高，越小表示匹配效果差。
  • 利用相關(guān)系數(shù)匹配(CV_TM_CCOEFF)：利用模板與圖像間的相關(guān)系數(shù)匹配，1表示完美的匹配，-1表示最差的匹配。

完成匹配后，使用cv.minMaxLoc()方法查找最大值所在的位置即可。如果使用平方差作為比較方法，則最小值位置是最佳匹配位置。

示例：

在該案例中，載入要搜索的圖像和模板，圖像如下所示：

模板如下所示：

通過matchTemplate實(shí)現(xiàn)模板匹配，使用minMaxLoc定位最匹配的區(qū)域，并用矩形標(biāo)注最匹配的區(qū)域。

import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 圖像和模板讀取 img = cv.imread('./image/wulin2.jpeg') template = cv.imread('./image/wulin.jpeg') h,w,l = template.shape # 2 模板匹配 # 2.1 模板匹配 res = cv.matchTemplate(img, template, cv.TM_CCORR) # 2.2 返回圖像中最匹配的位置，確定左上角的坐標(biāo)，并將匹配位置繪制在圖像上 min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res) # 使用平方差時(shí)最小值為最佳匹配位置 # top_left = min_loc top_left = max_loc bottom_right = (top_left[0] + w, top_left[1] + h) cv.rectangle(img, top_left, bottom_right, (0,255,0), 2) # 3 圖像顯示 plt.imshow(img[:,:,::-1]) plt.title('匹配結(jié)果'), plt.xticks([]), plt.yticks([]) plt.show()

拓展：模板匹配不適用于尺度變換，視角變換后的圖像，這時(shí)我們就要使用關(guān)鍵點(diǎn)匹配算法，比較經(jīng)典的關(guān)鍵點(diǎn)檢測算法包括SIFT和SURF等，主要的思路是首先通過關(guān)鍵點(diǎn)檢測算法獲取模板和測試圖片中的關(guān)鍵點(diǎn)；然后使用關(guān)鍵點(diǎn)匹配算法處理即可，這些關(guān)鍵點(diǎn)可以很好的處理尺度變化、視角變換、旋轉(zhuǎn)變化、光照變化等，具有很好的不變性。

2. 霍夫變換

霍夫變換常用來提取圖像中的直線和圓等幾何形狀，如下圖所示：

2.1 原理

（1）原理

在笛卡爾坐標(biāo)系中，一條直線由兩個(gè)點(diǎn)$A=(x_1,y_1)$和$B=(x_2,y_2)$確定，如下圖所示:

將直線y=kx+q可寫成關(guān)于(k,q)(k,q)的函數(shù)表達(dá)式：

對應(yīng)的變換通過圖形直觀的表示下：

變換后的空間我們叫做霍夫空間。即：笛卡爾坐標(biāo)系中的一條直線，對應(yīng)于霍夫空間中的一個(gè)點(diǎn)。反過來，同樣成立，霍夫空間中的一條線，對應(yīng)于笛卡爾坐標(biāo)系中一個(gè)點(diǎn)，如下所示：

我們再來看下A、B兩個(gè)點(diǎn)，對應(yīng)于霍夫空間的情形：

在看下三點(diǎn)共線的情況：

可以看出如果在笛卡爾坐標(biāo)系的點(diǎn)共線，那么這些點(diǎn)在霍夫空間中對應(yīng)的直線交于一點(diǎn)。

如果不止存在一條直線時(shí)，如下所示：

我們選擇盡可能多的直線匯成的點(diǎn)，上圖中三條直線匯成的A、B兩點(diǎn)，將其對應(yīng)回笛卡爾坐標(biāo)系中的直線：

到這里我們似乎已經(jīng)完成了霍夫變換的求解。但如果像下圖這種情況時(shí)：

上圖中的直線是$x=2$，那(k,q)怎么確定呢？

為了解決這個(gè)問題，我們考慮將笛卡爾坐標(biāo)系轉(zhuǎn)換為極坐標(biāo)。

在極坐標(biāo)下是一樣的，極坐標(biāo)中的點(diǎn)對應(yīng)于霍夫空間的線，這時(shí)的霍夫空間是不在是參數(shù)$(k,q)$的空間，而是$(\rho ,\theta )$的空間，$\rho$是原點(diǎn)到直線的垂直距離，$\theta$表示直線的垂線與橫軸順時(shí)針方向的夾角，垂直線的角度為0度，水平線的角度是180度。

我們只要求得霍夫空間中的交點(diǎn)的位置，即可得到原坐標(biāo)系下的直線。

（2）實(shí)現(xiàn)流程

假設(shè)有一個(gè)大小為100*?100的圖片，使用霍夫變換檢測圖片中的直線，則步驟如下所示：

• 直線都可以使用$(\rho ,\theta )$ 表示，首先創(chuàng)建一個(gè)2D數(shù)組，我們叫做累加器，初始化所有值為0，行表示$\rho$ ，列表示$\theta$ 。
  

• 該數(shù)組的大小決定了結(jié)果的準(zhǔn)確性，若希望角度的精度為1度，那就需要180列。對于$\rho$，最大值為圖片對角線的距離，如果希望精度達(dá)到像素級別，行數(shù)應(yīng)該與圖像的對角線的距離相等。

• 取直線上的第一個(gè)點(diǎn)$(x,y)$，將其帶入直線在極坐標(biāo)中的公式中，然后遍歷$\theta$的取值：0，1，2，…，180，分別求出對應(yīng)的$\rho$值，如果這個(gè)數(shù)值在上述累加器中存在相應(yīng)的位置，則在該位置上加1.

• 取直線上的第二個(gè)點(diǎn)，重復(fù)上述步驟，更新累加器中的值。對圖像中的直線上的每個(gè)點(diǎn)都直線以上步驟，每次更新累加器中的值。

• 搜索累加器中的最大值，并找到其對應(yīng)的$(\rho ,\theta )$，就可將圖像中的直線表示出來。

2.2 霍夫線檢測

在OpenCV中做霍夫線檢測是使用的API是：

cv.HoughLines(img, rho, theta, threshold)

參數(shù)：

• img: 檢測的圖像，要求是二值化的圖像，所以在調(diào)用霍夫變換之前首先要進(jìn)行二值化，或者進(jìn)行Canny邊緣檢測
• rho、theta: $\rho$ 和$\theta$的精確度
• threshold: 閾值，只有累加器中的值高于該閾值時(shí)才被認(rèn)為是直線。

霍夫線檢測的整個(gè)流程如下圖所示，這是在stackflow上一個(gè)關(guān)于霍夫線變換的解釋：

示例：

檢測下述圖像中的直線：

import numpy as np import random import cv2 as cv import matplotlib.pyplot as plt # 1.加載圖片，轉(zhuǎn)為二值圖 img = cv.imread('./image/rili.jpg')gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) edges = cv.Canny(gray, 50, 150)# 2.霍夫直線變換 lines = cv.HoughLines(edges, 0.8, np.pi / 180, 150) # 3.將檢測的線繪制在圖像上（注意是極坐標(biāo)噢） for line in lines:rho, theta = line[0]a = np.cos(theta)b = np.sin(theta)x0 = a * rhoy0 = b * rhox1 = int(x0 + 1000 * (-b))y1 = int(y0 + 1000 * (a))x2 = int(x0 - 1000 * (-b))y2 = int(y0 - 1000 * (a))cv.line(img, (x1, y1), (x2, y2), (0, 255, 0)) # 4. 圖像顯示 plt.figure(figsize=(10,8),dpi=100) plt.imshow(img[:,:,::-1]),plt.title('霍夫變換線檢測') plt.xticks([]), plt.yticks([]) plt.show()

2.3 霍夫圓檢測[了解]

（1）原理

圓的表示式是：

其中aa和bb表示圓心坐標(biāo)，rr表示圓半徑，因此標(biāo)準(zhǔn)的霍夫圓檢測就是在這三個(gè)參數(shù)組成的三維空間累加器上進(jìn)行圓形檢測，此時(shí)效率就會(huì)很低，所以O(shè)penCV中使用霍夫梯度法進(jìn)行圓形的檢測。

霍夫梯度法將霍夫圓檢測范圍兩個(gè)階段，第一階段檢測圓心，第二階段利用圓心推導(dǎo)出圓半徑。

• 圓心檢測的原理：圓心是圓周法線的交匯處，設(shè)置一個(gè)閾值，在某點(diǎn)的相交的直線的條數(shù)大于這個(gè)閾值就認(rèn)為該交匯點(diǎn)為圓心。

• 圓半徑確定原理：圓心到圓周上的距離（半徑）是相同的，確定一個(gè)閾值，只要相同距離的數(shù)量大于該閾值，就認(rèn)為該距離是該圓心的半徑。

原則上霍夫變換可以檢測任何形狀，但復(fù)雜的形狀需要的參數(shù)就多，霍夫空間的維數(shù)就多，因此在程序?qū)崿F(xiàn)上所需的內(nèi)存空間以及運(yùn)行效率上都不利于把標(biāo)準(zhǔn)霍夫變換應(yīng)用于實(shí)際復(fù)雜圖形的檢測中。霍夫梯度法是霍夫變換的改進(jìn)，它的目的是減小霍夫空間的維度，提高效率。

（2）API

在OpenCV中檢測圖像中的圓環(huán)使用的是API是：

circles = cv.HoughCircles(image, method, dp, minDist, param1=100, param2=100, minRadius=0,maxRadius=0 )

參數(shù)：

• image：輸入圖像，應(yīng)輸入灰度圖像

• method：使用霍夫變換圓檢測的算法，它的參數(shù)是CV_HOUGH_GRADIENT

• dp：霍夫空間的分辨率，dp=1時(shí)表示霍夫空間與輸入圖像空間的大小一致，dp=2時(shí)霍夫空間是輸入圖像空間的一半，以此類推

• minDist為圓心之間的最小距離，如果檢測到的兩個(gè)圓心之間距離小于該值，則認(rèn)為它們是同一個(gè)圓心

• param1：邊緣檢測時(shí)使用Canny算子的高閾值，低閾值是高閾值的一半。

• param2：檢測圓心和確定半徑時(shí)所共有的閾值

• minRadius和maxRadius為所檢測到的圓半徑的最小值和最大值

返回：

• circles：輸出圓向量，包括三個(gè)浮點(diǎn)型的元素——圓心橫坐標(biāo)，圓心縱坐標(biāo)和圓半徑

（3）實(shí)現(xiàn)

由于霍夫圓檢測對噪聲比較敏感，所以首先對圖像進(jìn)行中值濾波。

import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 1 讀取圖像，并轉(zhuǎn)換為灰度圖 planets = cv.imread("./image/star.jpeg") gay_img = cv.cvtColor(planets, cv.COLOR_BGRA2GRAY) # 2 進(jìn)行中值模糊，去噪點(diǎn) img = cv.medianBlur(gay_img, 7) # 3 霍夫圓檢測 circles = cv.HoughCircles(img, cv.HOUGH_GRADIENT, 1, 200, param1=100, param2=30, minRadius=0, maxRadius=100) # 4 將檢測結(jié)果繪制在圖像上 for i in circles[0, :]: # 遍歷矩陣每一行的數(shù)據(jù)# 繪制圓形cv.circle(planets, (i[0], i[1]), i[2], (0, 255, 0), 2)# 繪制圓心cv.circle(planets, (i[0], i[1]), 2, (0, 0, 255), 3) # 5 圖像顯示 plt.figure(figsize=(10,8),dpi=100) plt.imshow(planets[:,:,::-1]),plt.title('霍夫變換圓檢測') plt.xticks([]), plt.yticks([]) plt.show()

總結(jié)

以上是生活随笔為你收集整理的OpenCV图像处理（下） 边缘检测+模板匹配+霍夫变换的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。