本文主要是介绍Opencv笔记:利用霍夫变换检测图像中的红球,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
代码功能为从一副图像中检测红球,当然也可以针对视频的单帧图像进行检测,关于霍夫圆变换HoughCircles()函数及其原理主要参考了《opencv3编程入门》
HoughCircles()函数
函数原型:
void HoughCircles(InputArray image, outputArray circles, int method, double dp, double minDist, double param1=100, double param2=100, int minRadius=0, int maxRadius=0);
参数说明:
image: 输入图像,8位灰度单通道图像;
circles: 用于储存检测到的园的输出矢量,(x, y, radius);
method: 调用的检测方法,opencv中使用的是霍夫梯度法(CV_HOUGH_GRADIENT);
dp: 用于检测圆心的累加器图像的分辨率与输入图像之比的倒数;
minDist: 检测的不同圆的圆心之间 的最小距离;
param1, param2: 与检测方法相对应的参数;
minRadius, maxRadius: 圆半径的最小值和最大值。
主函数
/* redball_detect.cpp
Description: the test example for detect the red ball.
Date: 2017/10/12
*/#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;#define SRC_WINDOW_NAME "redball"
#define MID_WINDOWNAME "redball_gray"Mat srcImage, dstImage;
Mat channel[3];int main()
{// 原图像读取srcImage = imread("redball5.jpg", 1);imshow(SRC_WINDOW_NAME, srcImage);// 提取红色通道图像int g_nHm = 9; // 可利用滑动条调节split(srcImage, channel);channel[0] = channel[0].mul(.1*g_nHm); // B (mul: per-element matrix multiplication)channel[1] = channel[1].mul(.1*g_nHm); // Gchannel[2] = channel[2] - channel[0] - channel[1]; // Rchannel[2] = 3 * channel[2];imshow(MID_WINDOWNAME, channel[2]);dstImage = channel[2];GaussianBlur(dstImage, dstImage, Size(9, 9), 2, 2); // 用于减少检测噪声// 霍夫圆检测vector<Vec3f> circles; // 3通道float型向量HoughCircles(dstImage, circles, CV_HOUGH_GRADIENT, 1, srcImage.rows / 5, 200, 16, 0, 0);// 结果显示for (size_t i = 0; i < circles.size(); i++){Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));int radius = cvRound(circles[i][2]);circle(srcImage, center, 3, Scalar(0, 255, 0), -1, 8, 0);circle(srcImage, center, radius, Scalar(155, 50, 255), 3, 8, 0);cout << circles[i][0] << "\t" << circles[i][1] << "\t" << circles[i][2] << endl;}// cout << circles[0][0] << endl;imshow(SRC_WINDOW_NAME, srcImage);waitKey(0);return 0;
}
代码中的几点说明:
- 因为需要检测的红色球,所以提取RGB图像中的红色通道值更有利于检测;
- g_nHm是可调节参数,可以利用滑动条确定最好的值;
- GaussianBlur()函数用于抑制检测过程中的噪声,可以参考检测结果中使用GaussianBlur前后的对比。
结果显示
原图:
g_nHm=9时红色通道图像:
不加高斯平滑的检测结果:
加入高斯平滑的检测结果:
这篇关于Opencv笔记:利用霍夫变换检测图像中的红球的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!