http://www.opencv.org.cn/forum.php?mod=viewthread&tid=34096
| Opencv内部提供了一个基于Hough变换理论的找圆算法，HoughCircle与一般的拟合圆算法比起来，各有优势：优势：HoughCircle对噪声点不怎么敏感，并且可以在同一个图中找出多个圆；反观拟合圆算法，单纯的拟合结果容易受噪声点的影响，且不支持一个输入中找多个圆 缺点：原始的Hough变换找圆，计算量很大，而且如果对查找圆的半径不加控制，不但运算量巨大，而且精度也不足，在输入噪声点不多的情况下，找圆效果远不如拟合找圆；为了提高找圆精度，相比拟合法，需要提供更多的参数加以控制，参数要求比较严格，且总体稳定性不佳 OpenCV内的HoughCircles对基础的Hough变换找圆做了一定的优化来提高速度，它不再是在参数空间画出一个完整的圆来进行投票，而只是计算轮廓点处的梯度向量，然后根据搜索的半径R在该梯度方向距离轮廓点距离R的两边各投一点，最后根据投票结果图确定圆心位置，其示意图如图1 <ignore_js_op>  图1是比较理想的情况，轮廓点1-6的梯度方向都经过了点7，因此都给点7投了一票，点7得分最高，也正是我们所要找的圆心；同时由此可以看出基于参数空间投票法来确定圆心，8-12点就算有投票，但由于投票太散，对整个投票结果也几乎不存在干扰，因而其天生抗干扰能力要比拟合法好不过在这种思想优化下，也存在致命的缺陷，如图2： <ignore_js_op>  实际情况是该点算出的梯度方向其实总是有误差的，有时因为图像原因或结构原因，偏差甚至超过30度；图2中由于梯度方向不精确，7点基本没有获得投票，反而不如ABC点。因此实际使用中HoughCircle的效果并没有想象中的理想，情况往往如下列所述： （参与投票的轮廓点如图3的右图，噪点非常多，比想要查找的轮廓本身还多，而且断断续续的，显然这种情况拟合法不适用） 1、半径范围限定不好时，如图3，可能找到的圆非常多且杂乱无章 <ignore_js_op>  <ignore_js_op> 2、在此情况下，如果只输出一个圆（Opencv的HoughCircle会默认按照投票结果的累加值排序），最好的圆是这样的，竟然差这么多  <ignore_js_op>  3、假设我们找的东西的半径我们是知道的，变化不大(+-8%)，现在限定下半径。。。找出的排的靠前的圆是这样的；再看下默认最好的圆。。。 <ignore_js_op>  <ignore_js_op> 半径好像接近了一点，还是好坑爹啊。。。4、常规来说，使用该函数的时候，为避免找到太多的几乎重合的圆，找圆的最小距离都设在一个比较合理的值（比如大于半径1/5）,这样在找多个圆的时候，就不会找出太多重合的圆了；不过这里我试下不限制最小距离，如下，默认排序下得分最高的几个圆如左图： <ignore_js_op>  <ignore_js_op> 貌似默认最好的圆并没有任何改善很多初次使用该函数的看到这，或许就就觉得HoughCircles效果不咋地。。。本人刚开始使用时也感觉Opencv提供的这个算法太不稳定了，只能对某一个图调出相对好一点的效果，换一个图或者只改动其中某一个参数，找出来的圆就不知道跑哪去了，而且变化太大了 。。。观察细心的可能发现了，第4步中的左图找出的众多圆其实已经比前面找出的圆靠谱很多了，而且这么多圆必定有一个圆就是我想要找的圆，只是按照投票分数排序下，最好的圆偏差较大。 但究其算法优化本身，轮廓梯度定位出来的圆心投票本来精度就低（如图2），自然找出来的圆会有很多是错误的，但如果轮廓点足够多，找出的正确的圆必定也是存在的，只是按照票数方法来评价可能排序会比较靠后，但毕竟也是出现了的；此处只需做个小小的优化，改下评价方法，优化下排序，结果就很接近了 <ignore_js_op>  这是经过优化排序方法后找出的最好的圆找出来的圆中与实际轮廓重合度最高的圆一般就是我们要找的圆；因此我们可以通过HoughCircles来找出一批差不多的圆（如步骤4），然后画出这些圆，和实际轮廓比对一下，按实际重合像素的总数排序，这时分数最高的圆就如上面的结果图！HoughCircles优化一下还是很给力的！ 附件为本算法优化源码，有兴趣的可以一起来进一步优化（qq:970117454）  |
<ignore_js_op>
-
最终优化结果
-
测试原图
-
13.77 KB, 阅读权限: 1, 下载次数: 3127
HoughCircle优化源码