检测和测量图像中的圆形对象

打开生活的脚本

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。

第1步：加载图像

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。

步骤2:确定搜索圆的半径范围

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）

第3步：初步尝试找到圆圈

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。

第四步:增加检测灵敏度

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。

步骤5:在图像上画圆圈

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);

第六步:使用第二种方法(两步)寻找圆圈

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。

第7步：为什么有些圈子仍然错过了？

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）

第八步:在图片中找到“明亮的”圆圈

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）;

第9步：用不同的颜色画出“明亮”圈子

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。

步骤10:降低“EdgeThreshold”的值

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'）;