▲ 图 扫描过程

简 介： 利用cv2中的HoughCircles算子，检测阴影圈模板中的圈。通过实验可以验证算法的可行性。并看到，其中检测算法中和Canny算子阈值相关的参数对于检测结果分布有一定的影响。

关键词： Canny，HoughCircles，cv2，阴影圈

 

§01 扫描模板

---

1.1 背景介绍

  这里的模板是仿真阴影圈的金属模板，它具有标准的空洞，用于测试“阴影圈设备”的标准用具。

  扫描的设备使用了博文 Epson Perfection V370 Photo图片扫描自动控制 中的Epson V370的自动扫描方式。

▲ 图1.1.1 实验台上的扫描仪

▲ 图1.1.2 扫描后的测试图片

▲ 图1.1.3 背景是白色的扫描图片

1.2 扫描多次图片

1.2.1 扫描程序

from headm import *epson_title = 'EPSON'
save_title = '文件保存设置'
process_title = '进程'def epsonScan():tspsendwindowkey(epson_title, "s", alt=1,noreturn=1)time.sleep(.1)if sum(tspgetwindowrect(save_title)) != 0:tspsendwindowkey(save_title, "\r", noreturn=1)while True:time.sleep(1)if(sum(tspgetwindowrect(process_title)) != 0): breaktspbeep(1800, 20)printf('\a')while True:time.sleep(1)if(sum(tspgetwindowrect(process_title)) == 0): breaktspbeep(1800, 20)printf('\a')for i in range(100):printf("Scan %i/%d"%(i, 100))epsonScan()

1.2.2 扫描结果

扫描图片结果：

图片尺寸：1275×1754
色彩：彩色图片
数量：45
备注：每张图有两个金属盘

▲ 图 扫描多幅图片进行处理

 

§02 处理图片

---

  针对上面扫描目标图片的特点，获得其中两个金属阴影圈的主要参数。

2.1 参数检测

2.1.1 圆环检测

（1）阴影圈基础几何参数

  下面是直接在原图片上对于金属圆盘的直径以及四个校园的直径进行了标注。

▲ 图2.1.1 圆环的基本像素直径

（2）HoughCircles检测

 Ⅰ.函数调用方法

circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT, 1, 20, param1=50, param2=40, minRadius=25, maxRadius=0)

• img: 待检测的灰度图
• cv2.HOUGH_GRADIENT：检测的方法，霍夫梯度
• 1：检测的圆与原始图像具有相同的大小，dp=2,检测的圆是原始图像的一半
• 20：检测到的相邻圆的中心的最小距离（如果参数太小，除了一个真实的圆外，还可能会错误地检测到多个相邻圆。如果太大，可能会漏掉一些圆。）
• aram1：在#HOUGHŠu梯度的情况下，它是较高的. 两个阈值传递到Canny边缘检测器（较低的一个小两倍）。
• aram2：在#HOUGHŠu梯度的情况下，它是检测阶段圆心的累加器阈值。它越小，就越可能检测到假圆；
• inRadius：最小圆半径
• axRadius：最大圆半径，如果<=0，则使用最大图像尺寸。如果<0，则返回没有找到半径的中心。

2.1.2 检测结果

（1）检测软件

from headm import *                 # =
import cv2picdir = '/home/aistudio/work/Picture'
filedim = sorted([s for s in os.listdir(picdir) if s.find('.jpg') > 0])imgfile = os.path.join(picdir, filedim[0])
img = cv2.imread(imgfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgout = cv2.Canny(gray, 50, 200, L2gradient=True)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1,50, param1=230, param2=40,minRadius=40, maxRadius=60)if len(circles) > 0:for c in circles[0]:cv2.circle(img,(c[0],c[1]), int(c[-1]), (255,0,0), 6)plt.clf()
plt.figure(figsize=(12,15))
plt.imshow(img)
plt.savefig('/home/aistudio/stdout.jpg')

circles: [[[ 318.5  123.5   56.1][ 313.5  415.5   47. ][ 167.5  266.5   56.1][ 924.5  404.5   48.5][ 461.5  270.5   46.8][1044.5  137.5   56.1][ 850.5  207.5   48.1][1117.5  334.5   52.8]]]

▲ 图2.1.2 检测到的圆环

2.2 全部检测结果

  将45张图片结果进行检测。

▲ 检测所有的结果

gifpath = '/home/aistudio/GIF'
if not os.path.isdir(gifpath):os.makedirs(gifpath)
gifdim = os.listdir(gifpath)
for f in gifdim:fn = os.path.join(gifpath, f)if os.path.isfile(fn):os.remove(fn)allcircles = []
for i,f in tqdm(enumerate(filedim)):imgfile = os.path.join(picdir, f)img = cv2.imread(imgfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1,50, param1=220, param2=30,minRadius=40, maxRadius=60)allcircles.append(circles)img[where(img<25)]=0if len(circles) > 0:for c in circles[0]:cv2.circle(img,(c[0],c[1]), int(c[-1]), (255,0,0), 4)plt.clf()plt.figure(figsize=(12,15))plt.imshow(img)savefile = os.path.join(gifpath, '%03d.jpg'%i)plt.savefig(savefile)

2.2.1 检测结果统计

largedim = []
littledim = []for c in allcircles:for cc in c[0]:if cc[-1] < 52: littledim.append(cc[-1])else: largedim.append(cc[-1])print("len(largedim): {}".format(len(largedim)), "len(littledim): {}".format(len(littledim)))
print("min(largedim): {}".format(min(largedim)), "max(largedim): {}".format(max(largedim)), "min(littledim): {}".format(min(littledim)), "max(littledim): {}".format(max(littledim)))

len(largedim): 179
len(littledim): 179min(largedim): 53.900001525878906
max(largedim): 58.29999923706055
min(littledim): 45.79999923706055
max(littledim): 50.5

▲ 图2.2.2 检测到的圆半径分布

  修改param1=200，对应的检测结果：

▲ 图2.2.3 检测到的圆半径分布

• 检测参数：param1=150

  len(largedim): 180
  len(littledim): 180

  min(largedim): 54.599998474121094
  max(largedim): 59.400001525878906
  min(littledim): 45.70000076293945
  max(littledim): 49.400001525878906

▲ 图2.2.4 检测结果统计

• param1=100

▲ 图2.2.5 检测结果统计

 

※ 检测总结 ※

---

  利用cv2中的HoughCircles算子，检测阴影圈模板中的圈。通过实验可以验证算法的可行性。并看到，其中检测算法中和Canny算子阈值相关的参数对于检测结果分布有一定的影响。

处理程序

#!/usr/local/bin/python
# -*- coding: gbk -*-
#============================================================
# EXEC1.PY                     -- by Dr. ZhuoQing 2022-01-22
#
# Note:
#============================================================from headm import *                 # =
import cv2
from tqdm import tqdmpicdir = '/home/aistudio/work/Picture'
filedim = sorted([s for s in os.listdir(picdir) if s.find('.jpg') > 0])
#printt(filedim:, len(filedim):)#------------------------------------------------------------
imgfile = os.path.join(picdir, filedim[0])
img = cv2.imread(imgfile)
#printt(img.shape)#------------------------------------------------------------
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#------------------------------------------------------------imgout = cv2.Canny(gray, 50, 200, L2gradient=True)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1,50, param1=230, param2=40,minRadius=40, maxRadius=60)
#printt(circles:)#------------------------------------------------------------
if len(circles) > 0:for c in circles[0]:cv2.circle(img,(c[0],c[1]), int(c[-1]), (255,0,0), 6)plt.clf()
plt.figure(figsize=(12,15))
plt.imshow(img)
plt.savefig('/home/aistudio/stdout.jpg')#------------------------------------------------------------gifpath = '/home/aistudio/GIF'
if not os.path.isdir(gifpath):os.makedirs(gifpath)
gifdim = os.listdir(gifpath)
for f in gifdim:fn = os.path.join(gifpath, f)if os.path.isfile(fn):os.remove(fn)#------------------------------------------------------------
allcircles = []
for i,f in tqdm(enumerate(filedim)):imgfile = os.path.join(picdir, f)img = cv2.imread(imgfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1,50, param1=180, param2=30,minRadius=40, maxRadius=60)allcircles.append(circles)#    img[where(img<25)]=0#    if len(circles) > 0:
#        for c in circles[0]:
#            cv2.circle(img,(c[0],c[1]), int(c[-1]), (255,0,0), 4)#    plt.clf()
#    plt.figure(figsize=(12,15))
#    plt.imshow(img)
#    savefile = os.path.join(gifpath, '%03d.jpg'%i)
#    plt.savefig(savefile)#------------------------------------------------------------
#printt(allcircles)
largedim = []
littledim = []for c in allcircles:for cc in c[0]:if cc[-1] < 52: littledim.append(cc[-1])else: largedim.append(cc[-1])printt(len(largedim):, len(littledim):)
printt(min(largedim):, max(largedim):, min(littledim):, max(littledim):)#------------------------------------------------------------
plt.clf()
plt.figure(figsize=(10,6))
plt.hist(largedim)
plt.hist(littledim)
plt.grid('on')plt.savefig('/home/aistudio/stdout.jpg')#--------------------------)----------------------------------
#        END OF FILE : EXEC1.PY
#============================================================

---

■ 相关文献链接:

• Epson Perfection V370 Photo图片扫描自动控制

● 相关图表链接:

• 图 扫描过程
• 图1.1.1 实验台上的扫描仪
• 图1.1.2 扫描后的测试图片
• 图1.1.3 背景是白色的扫描图片
• 图 扫描多幅图片进行处理
• 图2.1.1 圆环的基本像素直径
• 图2.1.2 检测到的圆环
• 图2.2.2 检测到的圆半径分布
• 图2.2.3 检测到的圆半径分布
• 图2.2.4 检测结果统计
• 图2.2.5 检测结果统计