圆形识别（圆检测）是图像识别中很常见的一种处理方式，最核心的是cv2.HoughCircles这个函数实现的圆形检测。当然还有一些其他的处理过程，以下详述：
1 读入图像
首先需要读取一个图像文件，将其作为一个变量
img = cv2.imread("save1.jpg", 0) # 0或者cv2.IMREAD_GRAYSCALE 读取为灰度图像
img2 = cv2.imread("save1.jpg", 1) # 1或者cv2.IMREAD_COLOR 读取为为彩色图像
img是一个ndarray，2维结构，包含的是灰度化后的图像信息
img2是一个ndarray，3维结构，包含的是RGB彩色图像信息，比img2多出一个色彩维度
如下图，img2是3个方括号“[”
2 图像预处理
可以对图像进行裁切，滤波等处理，当然不处理也可以直接用，以下展示一下：
裁切
size = 400
x1 = 560
y1 = 200
x2 = x1+size
y2 = y1+size
cut = img[y1:y2, x1:x2]
滤波加二值化
numpy_img = cv2.adaptiveThreshold(cut, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 15) # 自动阈值二值化
显示中间处理过程
有时候我们需要直观的看到中间处理过程的图像样貌，可以随时显示
cv2.imshow("img", img)
cv2.imshow("cut", cut)
cv2.imshow("numpy_img", numpy_img)
cv2.waitKey(0)
注意imshow函数，第一个参数是要显示的窗口的标题，不得用中文和中文标点，必须全英文，否则会乱码，第2个参数是待显示的图像变量
最后一行可以没有，如果有的话，程序会在此等待，直到有按键动作，程序才继续往后运行。这对我们调试比较有用。
3 圆形识别
# 圆心距 canny阈值 投票数 最小半径 最大半径
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 170, param1=100, param2=60, minRadius=60, maxRadius=90)
大概讲一下重要的几个参数，参数与实际的图像尺寸相关，不是一个参数用所有的图
圆心距：170 圆心距小于此值的圆不检测，以减小计算量
canny阈值：图像二值化的参数，根据实际情况调整
投票数：一个圆需要至少包含多少个点，才认为这是一个圆
最小半径，最大半径：在此值之间的圆才是需要的圆，超过范围不检测，以减小计算量
检测完的结果保存在circles 中
可以自己调整参数以观察结果
4 显示检测结果
没啥好说的，代码很简单，就是对于每个结果画出圆和圆心
arr1 = np.zeros([0, 2], dtype=int) # 创建一个0行, 2列的空数组
if circles is not None:
circles = np.uint16(np.around(circles)) # 4舍5入, 然后转为uint16
for i in circles[0, :]:
arr1 = np.append(arr1, (i[0], i[1])) # arr1是圆心坐标的np数组
# print(arr1)
cv2.circle(img2, (i[0], i[1]), i[2], (0, 0, 255), 3) # 轮廓
cv2.circle(img2, (i[0], i[1]), 2, (0, 0, 0), 6) # 圆心
5 完整代码和示例图像
可以在这里下载：示例代码下载
文章出处登录后可见！
已经登录？立即刷新
