此示例显示了如何使用imfindcircles
自动检测图像中的圆或圆形物体。它还展示了viscircles
使探测到的圆形象化。
此示例使用各种颜色的圆形塑料芯片的图像。
rgb = imread('Comingchips.png');imshow(RGB)
除了有大量的圆要检测,从圆检测的角度来看,这幅图中还有一些有趣的事情:
有不同颜色的碎片,与背景有不同的对比。在一端,蓝色和红色在这个背景上有强烈的对比。另一方面,一些黄色的筹码与背景的对比并不好。
请注意一些芯片是如何相互叠在一起的,而另一些则紧密地挨在一起,几乎是相互接触的。物体边界重叠和物体遮挡是物体检测的难点。
imfindcircles
需要一个半径范围来搜索圆圈。找到适当的半径范围的快速方法是使用交互式工具imdistline
以得到各种物体半径的近似估计。
d = imdistline;
imdistline
创建可拖动工具,可以移动以适合芯片,并且可以读取数字以获得其半径的近似估计。大多数芯片的半径在21-23像素的范围内。务必使用略大的半径范围为20-25像素。在那之前删除imdistline
工具。
删除(d)
称呼imfindcircles
在这张搜索半径为[20 25]像素的图像上。在那之前,问一下物体比背景亮还是暗是一个好习惯。要回答这个问题,看看这个图像的灰度版本。
gray_image = rgb2gray(RGB);imshow(gray_image)
背景相当明亮,大多数芯片都比背景暗。但是,默认情况下,imfindcircles
寻找比背景更亮的圆形物体。因此,将参数object极性设置为“dark”imfindcircles
寻找黑眼圈。
[中心,半径] = Imfindcircles(RGB,[2025],'objectpolarity'那“黑暗”)
中心= [] radii = []
请注意输出中心
和半径
是空的,这意味着没有找到圈子。这经常发生,因为imfindcircles
是一个圆圈探测器,与大多数探测器类似,imfindcircles
有一个内部检测阈值这决定了它的灵敏度。简单地说,它意味着探测器在某一(圆)检测中的置信度必须大于某一水平,然后才被认为是一个有效的检测。imfindcircles
具有参数的“灵敏度”,可用于控制该内部阈值,从而使用算法的灵敏度。更高的“灵敏度”值设置检测阈值下降并导致检测更多圆圈。这类似于家庭安全系统中使用的运动检测器上的灵敏度控制。
回到芯片图像,可以在默认的灵敏度级别,所有圆的均值低于内部阈值,这就是为什么没有检测到圆圈的原因。默认情况下,“灵敏度”为0到1之间的数字,设置为0.85。将“敏感性”提高到0.9。
[中心,半径] = Imfindcircles(RGB,[2025],'objectpolarity'那“黑暗”那......“敏感”, 0.9)
中心=8×2146.1895 198.5824 328.8132 135.5883 130.3134 43.8039 175.2698 297.0583 312.2831 192.3709 327.1316 297.0077 243.9893 166.4538 271.5873 280.8920
半径=8×123.1604 22.5710 22.9576 23.7356 22.9551 22.9995 22.9055 23.0298
这次imfindcircles
发现一些圆圈 - 八个精确。中心
包含圆心的位置和半径
包含这些圆圈的估计半径。
功能viscircles
可用于在图像上绘制圆圈。输出变量中心
和半径
从imfindcircles
可以直接传递给viscircles
.
imshow(RGB)H = Viscircles(中心,半径);
圆形中心似乎正确定位,它们的相应的半径似乎与实际芯片相匹配。但仍有很多筹码被遗漏了。尝试将“敏感性”提高到0.92。
[中心,半径] = Imfindcircles(RGB,[2025],'objectpolarity'那“黑暗”那......“敏感”,0.92);长度(中心)
ans = 16
所以增加“敏感性”让我们更加圆圈。再次在图像上绘制这些圆圈。
删除(h)%删除先前绘制的圆圈h = viscircles(中心、半径);
这个结果看起来更好。imfindcircles
有两种不同的寻找圆圈的方法。到目前为止默认方法,称为阶段编码方法,用于检测圆圈。有另一种方法,普遍称为两阶段方法,可用的方法imfindcircles
.使用两阶段方法并展示结果。
[中心,半径] = Imfindcircles(RGB,[2025],'objectpolarity'那“黑暗”那......“敏感”, 0.92,'方法'那“二级”);Delete (h) h = viscircles(圆心,半径);
两阶段法检测更多的圆,灵敏度为0.92。总的来说,这两种方法是互补的,因为它们有不同的优势。相位编码方法通常比两级方法更快,对噪声的鲁棒性略强。但它可能还需要更高的“灵敏度”水平,才能获得与两阶段法相同数量的检测。例如,如果“灵敏度”水平提高到0.95,相位编码方法也能找到相同的芯片。
[中心,半径] = Imfindcircles(RGB,[2025],'objectpolarity'那“黑暗”那......“敏感”,0.95);删除(H)Viscircles(中心,半径);
请注意,两种方法都在imfindcircles
精确地找到部分可见(闭塞)芯片的中心和半径。
看看最后的结果,很奇怪imfindcircles
找不到图像中的黄色芯片。黄色芯片与背景没有强烈对比。事实上,他们似乎具有非常相似的强度作为背景。如假设的背景,黄色芯片是否有可能比背景“更深”吗?要确认,请再次显示此图像的灰度版本。
imshow(gray_image)
与背景相比,黄色芯片几乎是相同的强度,甚至可以更亮。因此,要检测黄色芯片,将“象根性”变为“光明”。
[Centsbright,Radiibright] = IMFindcircles(RGB,[20 25],......'objectpolarity'那“光明”那“敏感”,0.92);
画出明亮的通过改变“颜色”参数,以不同颜色的圆圈viscircles
.
imshow(rgb)hbright = Viscircles(Centsbright,Radiibright,“颜色”那'B');
请注意,发现了三个缺少的黄色芯片,但仍缺少一个黄色芯片。这些黄色芯片很难找到,因为他们没有脱颖而出以及其他在这个背景下的人。
中还有另一个参数imfindcircles
这在这里可能很有用,也就是'EdgeThreshold'。找到圈子,imfindcircles
仅使用图像中的边缘像素。这些边缘像素本质上是具有高梯度值的像素。“EdgeThreshold”参数控制如何使用高在其被认为是边缘像素并包括在计算之前,必须在图中的梯度值。该参数的高值(更接近1)将仅允许包括强边(较高梯度值),而低值(更靠近0)是更允许的,并且甚至包括较弱的边缘(较低梯度值)计算。在缺少黄色芯片的情况下,由于对比度低,因此预期一些边界像素(在芯片的圆周上)具有低梯度值。因此,降低“EDGETHRESHOLD”参数以确保黄色芯片的大多数边缘像素包括在计算中。
[Centsbright,Radiibright,Metricbright] = IMFindcircles(RGB,[20 25],......'objectpolarity'那“光明”那“敏感”, 0.92,'edgethreshold',0.1);删除(HBRIGHT)HBRIGHT = VISCIRCLES(CENTERSBRIGHT,RADIIBRIGHT,“颜色”那'B');
现在imfindcircles
找到所有黄色的,还有一个绿色的。用蓝色绘制这些芯片,以及之前发现的其他芯片(将“object极性”设置为“暗”),用红色。
h = viscircles(中心、半径);
所有的圆都被检测出来了。最后,应该注意的是,在检测中更积极地改变参数可能会发现更多的圆,但它也增加了检测错误圆的可能性。在可发现的真实圆的数量(检测率)和与它们一起发现的错误圆的数量(误报警率)之间存在一种权衡。
圆狩猎快乐!