【QtOpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContoursdrawContours】

前言

越来越多的开发人员选择基于开源的Qt框架与OpenCV来实现界面和算法，其原因不单单是无版权问题，更多是两个社区的发展蓬勃，可用来学习的资料与例程特别丰富。以下是关于利用Qt构建GUI并使用OpenCV中的HoughLinesP/HoughCircles/findContours&drawContours函数进行图像检测。
软件版本：Qt-5.12.0/OpenCV-4.5.3
平台：Windows10/11–64

一、函数介绍

1、HoughLinesP

函数原型：
cv::HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength=0, double maxLineGap=0 )

参数解释：
image:输入图像，即源图像，需为8位的单通道二进制图像，可以将任意的源图载入进来后由函数修改成此格式后，再填在这里;
Iines:经过调用HoughLinesP函数后后存储了检测到的线条的输出矢量，每一条线由具有四个元素的矢量(x_1,y_1, x_2, y_2） 表示，其中，(x_1, y_1)和(x_2, y_2) 是是每个检测到的线段的结束点;
rho:以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径;
theta:以弧度为单位的角度精度。另一种形容方式是直线搜索时的进步尺寸的单位角度;
threshold:累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值。大于阈值threshold的线段才可以被检测通过并返回到结果中;
minLineLength:有默认值0，表示最低线段的长度，比这个设定参数短的线段就不能被显现出来;
maxLineGap:有默认值0，允许将同一行点与点之间连接起来的最大的距离;

2、HoughCircles

函数原型：
cv::HoughCircles(InputArray image,OutputArray circles, int method, double dp, double minDist, double param1=100,double param2=100, int minRadius=0, int maxRadius=0 )

参数解释：
image输入图像，即源图像，需为8位的灰度单通道图像;
circles:经过调用HoughCircles函数后此参数存储了检测到的圆的输出矢量，每个矢量由包含了3个元素的浮点矢量(x, y, radius)表示;
method:即使用的检测方法，目前OpenCV中就霍夫梯度法一种可以使用，它的标识符为CV_HOUGH_GRADIENT，在此参数处填这个标识符即可;
dp:用来检测圆心的累加器图像的分辨率于输入图像之比的倒数，且此参数允许创建一个比输入图像分辨率低的累加器。上述文字不好理解的话，来看例子吧。例如，如果dp= 1时，累加器和输入图像具有相同的分辨率。如果dp=2，累加器便有输入图像一半那么大的宽度和高度;
minDist:为霍夫变换检测到的圆的圆心之间的最小距离，即让我们的算法能明显区分的两个不同圆之间的最小距离。这个参数如果太小的话，多个相邻的圆可能被错误地检测成了一个重合的圆。反之，这个参数设置太大的话，某些圆就不能被检测出来了;
param1:有默认值100。它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT，它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半;
param2:也有默认值100。它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT，它表示在检测阶段圆心的累加器阈值。它越小的话，就可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了;
minRadius:有默认值0，表示圆半径的最小值;
maxRadius:也有默认值0，表示圆半径的最大值;

3、findContours

函数原型:
cv::findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy,
int mode, int method, Point offset = Point());

参数解释：
image：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
contours：contours定义为“vector contours”，是一个双重向量（向量内每个元素保存了一组由连续的Point构成的点的集合的向量），每一组点集就是一个轮廓，有多少轮廓，contours就有多少元素；
hierarchy：hierarchy定义为“vector hierarchy”，Vec4i的定义：typedef Vec<int, 4> Vec4i;（向量内每个元素都包含了4个int型变量），所以从定义上看，hierarchy是一个向量，向量内每个元素都是一个包含4个int型的数组。向量hierarchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy内每个元素的4个int型变量是hierarchy[i][0] ~ hierarchy[i][3]，分别表示当前轮廓 i 的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的编号索引。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓，则相应的hierarchy[i][*]被置为-1。
mode：定义轮廓的检索模式，取值如下：

CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
CV_RETR_LIST：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到；
CV_RETR_CCOMP: 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
CV_RETR_TREE: 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。

method：定义轮廓的近似方法，取值如下：

CV_CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内；
CV_CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
CV_CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法;
CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法。

offset：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值！

4、 drawContours

函数原型：
cv::drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar & color, int thickness = 1, int lineType = LINE_8, InputArray hierarchy = noArray(), int maxLevel = INT_MAX, Point offset = Point())

参数解释：
image：目标图像
contours：输入的所有轮廓（每个轮廓以点集的方式存储）
contoursIdx：指定绘制轮廓的下标（若为负数，则绘制所有轮廓）
color：绘制轮廓的颜色
thickness：绘制轮廓的线的宽度（若为负数，则填充轮廓内部）
lineType：绘制轮廓的线型（4连通、8连通或者反锯齿）
hierarchy：关于层级的可选信息，仅用于当你想要绘制部分轮廓的时候
maxLevel：绘制轮廓的最大层级，若为0，则仅仅绘制指定的轮廓；若为1，则绘制该轮廓及其内嵌轮廓，若为2，则绘制该轮廓、其内嵌轮廓以及内嵌轮廓的内嵌轮廓，依次类推。该参数只有在有层级信息输入时才被考虑。
offset：可选的轮廓偏移参数，所有的轮廓将会进行指定的偏移

当thickness = FILLED，即使没有提供层级信息也可以正确处理带孔洞的连通域情况（分析轮廓时采用奇偶规则），但如果是单独检索的轮廓合并则可能会出现错误的情况，该情况下则需要分开处理。

二、演示

1、GUI

如上图创建Operator的QComboBox控件进行函数选择，Action的功能按钮QPushButton，对当前窗口进行检测，并输出状态信息。

2、代码实现

HoughLinesP/HoughCircles/findContours&drawContours实现代码：
geometryBtn的clicked()槽函数

void MainWindow::on_geometryBtn_clicked()
{std::size_t numView = ui->tabWidget->currentIndex() % 3;if (dispMat[numView]->empty()){outputInfo(2, tr("Please make sure the Mat exist!"));return;}if (dispMat[numView]->channels() == 3){cv::cvtColor(*dispMat[numView], *dispMat[numView], cv::COLOR_RGB2GRAY);}tmpMat->zeros(dispMat[numView]->size(), \dispMat[numView]->type());cv::GaussianBlur(*dispMat[numView], *dispMat[numView], cv::Size(3, 3), \0, 0, cv::BORDER_DEFAULT);int operatorType = ui->geometryCombo->currentIndex();	// 0: line, 1: circle, 2: contoursswitch (operatorType){case 0:{int cannyThresh = ui->cannyThreshSlider->value();int lineThresh = ui->lineThreshSlider->value();std::vector<cv::Vec4i> lines;cv::Canny(*dispMat[numView], *tmpMat, cannyThresh, \cannyThresh * 2, 3);cv::HoughLinesP(*tmpMat, lines, 1, CV_PI/180, lineThresh, 50, 10);for (size_t i = 0; i < lines.size(); i++){cv::Vec4i l = lines[i];cv::line(*tmpMat, cv::Point(l[0], l[1]), cv::Point(l[2], l[3]), \cv::Scalar(0, 0, 255), 1, 1, 1);}outputInfo(1, tr("Lines done."));break;}case 1:{int circleThresh = ui->circleThreshSlider->value();std::vector<cv::Vec3f> circles;double startTime = static_cast<double>(cv::getTickCount());cv::HoughCircles(*dispMat[numView], circles, cv::HOUGH_GRADIENT, \1, dispMat[numView]->rows / 16, \circleThresh, circleThresh/2, \0, 0);double timeCost = (static_cast<double>(cv::getTickCount()) - \startTime) / cv::getTickFrequency();QString costTime = "Cost time: " + QString::number(timeCost);outputInfo(1, costTime);for (size_t i = 0; i < circles.size(); i++){cv::Point center(cvRound(circles[i][0]), \cvRound(circles[i][1]));int radius = cvRound(circles[i][2]);cv::circle(*tmpMat, center, 3, \cv::Scalar(0, 255, 0), -1, 8, 0);cv::circle(*tmpMat, center, radius, \cv::Scalar(0, 0, 255), 3, 8, 0);}outputInfo(1, tr("Circles done."));break;}case 2:{cv::RNG rng(12345);int cannyThresh = ui->cannyThreshSlider->value();cv::Canny(*dispMat[numView], *tmpMat, cannyThresh, \cannyThresh * 2, 3);std::vector<std::vector<cv::Point>> contours;std::vector<cv::Vec4i> hierarchy;cv::findContours(*tmpMat, contours, hierarchy, \cv::RETR_TREE, \cv::CHAIN_APPROX_SIMPLE, \cv::Point(0, 0));std::vector<std::vector<cv::Point>> contoursPoly(contours.size());std::vector<cv::Rect> boundRect(contours.size());std::vector<cv::Point2f> center(contours.size());std::vector<float> radius(contours.size());for (size_t i = 0; i < contours.size(); i++){cv::approxPolyDP(cv::Mat(contours[i]), contoursPoly[i], 3, true);boundRect[i] = cv::boundingRect(cv::Mat(contoursPoly[i]));minEnclosingCircle(contoursPoly[i], center[i], radius[i]);}for (size_t i = 0; i < contours.size(); i++){cv::Scalar color = cv::Scalar(rng.uniform(0, 255), \rng.uniform(0, 255), \rng.uniform(0, 255));cv::drawContours(*tmpMat, contoursPoly, static_cast<int>(i), \color, 1, 8, \std::vector<cv::Vec4i>(), 0, \cv::Point());cv::rectangle(*tmpMat, boundRect[i].tl(), \boundRect[i].br(), \color, 2, 8, 0);cv::circle(*tmpMat, center[i], static_cast<int>(radius[i]), \color, 2, 8, 0);}outputInfo(1, tr("Contours done."));break;}}if (ui->geometryChkBox->isChecked()){*dispMat[numView] = tmpMat->clone();cvtMatPixmap(dispMat, dispPixmap, numView);}else{if (tmpMat->channels() == 3){QImage tmpImage = QImage(tmpMat->data, tmpMat->cols,tmpMat->rows, \static_cast<int>(tmpMat->step), \QImage::Format_RGB888);dispPixmap[numView]->setPixmap(QPixmap::fromImage(tmpImage.rgbSwapped()));}else{QImage tmpImage = QImage(tmpMat->data, tmpMat->cols,tmpMat->rows, \static_cast<int>(tmpMat->step), \QImage::Format_Grayscale8);dispPixmap[numView]->setPixmap(QPixmap::fromImage(tmpImage.rgbSwapped()));}}
}

总结

以上是关于利用Qt进行GUI构建并使用OpenCV中的 HoughLinesP/HoughCircles/findContours&drawContours函数进行图像检测。
参考：
链接:前期https://blog.csdn.net/richard_yuu/article/details/128037970
其中疑问或错误，欢迎联系交流,