python - 用于 HoughCircle 的 Canny 变换 VS 脱粒图像

Question

我正在尝试使用带有这些参数的HoughCircle在图像上构建强大的硬币检测：

blured_roi = cv2.GaussianBlur(region_of_interest, (23, 23), cv2.BORDER_DEFAULT)
rows = blured_roi.shape[0]
circles = cv2.HoughCircles(blured_roi, cv2.HOUGH_GRADIENT, 0.9, rows/8,
param1=30, param2=50, minRadius=30, maxRadius=90)

感兴趣的区域可以是 (300x300) 或 (1080x1920)。所以minRadiusandmaxRadius在这里并没有真正的帮助。但在每种图像形状中，它们大约是我的硬币大小。

所以为了实现这一点，我尝试了很多事情。首先，使用带有GaussianBlur滤镜的简单灰色图像。它适用于大多数情况，但如果我的硬币边框与背景的色调相似，则灰度图像不会真正帮助检测我的圆的正确半径看看这个例子：

第二次，我尝试使用硬币的边缘来检测带有Canny Transform的圆圈，但正如您在上面看到的 Canny 过滤器没有像我希望的那样工作。所以我应用了GaussianBlur(13, 13) 的一个。

我也知道该HoughCircle方法内部还有另一个精明的转换调用，但我想确定我会得到硬币的边缘，因为我在使用GaussianBlur.

最后我尝试使用脱粒图像，但我不明白为什么它不能像例外那样工作，因为在这张图像上我们可以希望永远不会有任何噪音，因为它只是黑白（？），圆圈是几乎完美。并应用GaussianBlur(9, 9) 的 a。

在这里，您可以看到它未能检测到脱粒图像上的硬币，但它适用于精明边缘图像。但在许多其他情况下，边缘检测上的霍夫变换给出了不完美的结果，我对 threshed 图像感到满意，正如你所看到的那样，它显示了一个漂亮的圆圈。

我想了解为什么它在脱粒图像上不起作用（如上面的示例），以及我可以做些什么来使它起作用。

编辑1：所以我发现了在方法中指定的不同类型的BORDERGaussianBlur。我认为改进 Threshed 图像上的霍夫圆检测非常有用，但它并没有像例外那样好。

标签： pythonopencvhough-transformcanny-operatoropencv-python