最近研究halcon的圓孔定位四個月了，這里分享一下我的心得，也是備忘

項目描述

圖片尺寸1600*1200

支持任意類型的圓孔檢測

參數：圓的半徑，極性

極性除了內黑外白，內白外黑，還有可能是黑色條帶中心，白色條帶中心

時間：100ms以內

圖像有可能虛焦

用戶給出的直徑有可能有10%的偏差

用戶給的極性可能是錯誤的

圓環周圍可能有干擾邊緣，但必須找到最精準邊緣

容差：2個像素以內

寧可拒報，不允許誤報

Halcon圓檢測相關方法

方法描述缺點比較好用的算子

區域分割	直接用對比度分割出關鍵的圓形	當圓環和周圍顏色相近時，直接罷工	segment_image_mser
邊緣分析	提取圖像中的關鍵邊緣，找到可能是圓弧的部分，拼接成一條完整圓弧，然后擬合	平滑后的精度低，不平滑圖像中有很多零散圓弧干擾	edges_sub_pix
霍夫變換	通過沿著區域點畫圓，找到大概率是圓心的區域	當參數半徑和實際偏差較大時，得到的區域不準確	hough_circle_trans
二維邊緣測量	在圓周一圈找閾值峰值點，用這些點進行擬合	有圖像可能存在非常多的干擾峰值	add_metrology_object_circle_measure
NCC模板匹配	基于模板和圖像的偏差	當圖像圓中有復雜圖像時，無法找到結果	find_ncc_models
形狀模板匹配	基于模板的邊緣對比度	較差的圖像需要調低得分，但低得分容易帶來錯誤結果	find_shape_models
梯度圖關鍵點擬合	先找到梯度圖中可能是圓弧的點，再用這些點進行擬合	找的點不準確容易有偏差	edges_image, fit_circle_contour_xld

算法步驟
通常，我們進行兩次定位

粗定位：目的是獲得圓的大致位置，然后可以用reduce_domain縮小圖像范圍（減少精定位時間），粗定位有很多好用的方法，但是都有其局限性，這里就不贅述。

精定位：為的是能找到更精確的邊緣，得到更高精度的結果

算法描述
因為遇到了很多糟心的圖片，所以樓主的算法也相應比較復雜
下面是簡單的描述：

• 粗定位 ：
  1. create_shape_model 共需兩個模板，金字塔層數設為2（1太耗時，3以上有可能找不到目標圓），一個ignore_global_polarity，一個ignore_local_polarity，最好保存模板，因為生成模板是很耗時的操作
  2. 第一次 find_shape_models 找ignore_global_polarity的模板，分數0.8，個數5，不允許重疊
  3. 第二次 find_shape_models（第一次沒找到才需要） 找ignore_local_polarity的模板，分數0.8，個數5，不允許重疊
  4. 第三次 find_shape_models 平滑圖像（第二次沒找到才需要），找ignore_global_polarity的模板，分數0.8，個數5，不允許重疊
  注意：三次有任何一次有結果就可以直接作為粗定位結果，接下來對找到的結果逐個分析
• 精定位 ：

• 預處理：
  reduce_domain 縮小范圍
  edges_image 獲取梯度圖，方向圖

• 獲取梯度方向偏差圖片：
  因為圓環的梯度方向都是統一的，類似如下的圖片（有可能需要旋轉），我們可以用得到的梯度方向圖減去下圖，就可以得到梯度方向偏差圖，其中灰度接近0的點就是我們所需要的關鍵點

• 對梯度方向偏差圖做極大值抑制，得到Image_Result
  nonmax_suppression_dir 這樣可以獲得最可能是圓周的邊緣點集

• 找條帶邊緣
  find_shape_models 找梯度方向偏差圖的邊緣，極性ignore_global_polarity，分數0.8，只找最高分的結果，這個結果就是我們所需的邊緣

• 對條帶邊緣做精擬合
  因為shape_model得到的結果不穩定，在邊緣有毛刺時容易有細微的偏差，所以我在這個結果周圍找到Image_Result中的關鍵點進性擬合

• 找邊緣結果
  find_shape_models 找原圖的reduce_domain圖的邊緣，極性ignore_global_polarity，分數0.8，只找最高分的結果，這個結果就是我們所需的邊緣
  注意：如果粗定位使用了平滑，那這里也需要平滑，因為圖像可能存在很多噪點、條紋的干擾

• 對原始邊緣做精擬合
  因為shape_model得到的結果不穩定，容易有細微的偏差，所以我在這個結果周圍找到Image_Result中的關鍵點進性擬合

• 仍未找到目標圓的情況
  如果還沒找到圓，有兩種可能，
  1：圖像很差
  2：客戶的直徑或極性輸錯了

• 權重定位法
  因為客戶給出的直徑有可能是錯誤，所以這里我使用過程中得到的半徑作為目標分析，而不再使用客戶給出的直徑，這樣也可以提高對不良結果的過濾。
  注意：精定位可以直接使用權重定位法，跳過上面的條帶結果和邊緣結果分析，但這樣遇到多層圓環時，容易帶來一半內環，一半外環的問題。

• 得到關鍵點
  對Image_Result使用get_region_points，注意嚴格區分正負極性，分開分析

• 給關鍵點賦予權重
  Weight = Amp (點的梯度) / Dist (點到圓心和理論直徑的偏差)
  注意：權重還可以添加很多要素，比如圓周的灰度一致性，梯度方向一致性等，這里只是個例子

• 二值分割
  過濾出最權重較為顯著的點，構成contour，過濾掉circularity較低的結果

• 擬合成圓
  fit_circle_contour_xld

總結

以上是生活随笔為你收集整理的基于Halcon的高精度圆拟合算法思路的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。