Überlappende Kreise in OpenCV erkennen

Question

Ich benutze die OpenCV-Bibliothek für Python, um die Kreise in einem Bild zu erkennen. Als Testfall bin ich mit dem folgenden Bild:

Boden des Bechers:

ich den folgenden Code geschrieben haben, die das Bild vor der Erfassung angezeigt werden sollen, dann das Bild anzeigen mit den erfassten Kreisen hinzugefügt:

import cv2 
import numpy as np 

image = cv2.imread('can.png') 
image_rgb = image.copy() 
image_copy = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) 
grayscaled_image = cv2.cvtColor(image_copy, cv2.COLOR_GRAY2BGR) 

cv2.imshow("confirm", grayscaled_image) 
cv2.waitKey(0) 

cv2.destroyAllWindows() 


circles = cv2.HoughCircles(image_copy, cv2.HOUGH_GRADIENT, 1.3, 20, param1=60, param2=33, minRadius=10,maxRadius=28) 


if circles is not None: 
    print("FOUND CIRCLES") 
    circles = np.round(circles[0, :]).astype("int") 
    print(circles) 
    for (x, y, r) in circles: 
     cv2.circle(image, (x, y), r, (255, 0, 0), 4) 
     cv2.rectangle(image, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1) 
    cv2.imshow("Test", image + image_rgb) 
    cv2.waitKey(0) 

cv2.destroyAllWindows() 

bekomme ich diese: resultierende Bild

Ich glaube, dass mein Problem in der Verwendung der HoughCircles() Funktion liegt Es ist Nutzung ist:

cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]])

wo minDist ein Wert größer als 0 ist, die Kreise erfasst erfordert voneinander in einem bestimmten Abstand zu sein. Mit dieser Anforderung wäre es für mich unmöglich, alle Kreise auf dem Boden der Dose richtig zu erkennen, da sich die Mitte jedes Kreises an der gleichen Stelle befindet. Wären Konturen eine Lösung? Wie kann ich Konturen in Kreise umwandeln, damit ich die Koordinaten ihrer Mittelpunkte verwenden kann? Was muss ich tun, um die Kreisobjekte für jeden Ring am Boden der Dose am besten zu erkennen?

Answer 1

Nicht alle, aber eine Mehrheit der Kreise können das Bild durch adaptive Schwellwertbildung erfasst werden, um die Konturen zu finden und dann einen minimalen umschließenden Kreis für Konturen Einpassen Fläche größer als ein Schwellenwert

import cv2 
import numpy as np 

block_size,constant_c ,min_cnt_area = 9,1,400 
img = cv2.imread('viMmP.png') 
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 
thresh = cv2.adaptiveThreshold(img_gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,block_size,constant_c) 
thresh_copy = thresh.copy() 
contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 
for cnt in contours: 
    if cv2.contourArea(cnt)>min_cnt_area: 
     (x,y),radius = cv2.minEnclosingCircle(cnt) 
     center = (int(x),int(y)) 
     radius = int(radius) 
     cv2.circle(img,center,radius,(255,0,0),1) 
cv2.imshow("Thresholded Image",thresh_copy) 
cv2.imshow("Image with circles",img) 
cv2.waitKey(0) 

nun dieses Skript Ausbeuten das Ergebnis:

Aber ther e sind bestimmte Abwägungen wie, wenn die block_size und constant_c-11 bzw. 2 dann die Skript Ausbeuten geändert werden:

sollten Sie versuchen, mit einem Kern richtige Form der Anwendung Erosion die überlappenden Kreise in dem schwellen Bild zu trennen

Sie unter den folgenden Links sehen können mehr über adaptive Schwellwertbildung und Konturen zu verstehen:

Threshlding Beispiele: http://docs.opencv.org/3.1.0/d7/d4d/tutorial_py_thresholding.html

Thresholding Referenz: http://docs.opencv.org/2.4/modules/imgproc/doc/miscellaneous_transformations.html

Contour Beispiele: http://docs.opencv.org/3.1.0/dd/d49/tutorial_py_contour_features.html