这个例子展示了如何使用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。
这个例子使用了一个各种颜色的圆形塑料碎片的图像。
rgb = imread (“coloredChips.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。找到合适的半径范围的一个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
创建一个可拖动的工具,可以移动到适合的芯片和数字可以读取,以获得其半径的近似估计。大多数芯片的半径在21-23像素之间。使用稍微大一点的半径范围20-25像素,只是为了确保。在此之前,移除imdistline
工具。
删除(d)
调用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,[20 25],“ObjectPolarity”,“黑暗”)
[]半径= []
注意,输出中心
和半径
都是空的,也就是说没有发现圆圈。这种情况经常发生,因为imfindcircles
是一个圆探测器,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
有一个参数“灵敏度”,可以用来控制这个内部阈值,从而控制算法的灵敏度。“灵敏度”值越高,检测阈值越低,可以检测到更多的圆。这与家庭安全系统中使用的运动探测器的灵敏度控制类似。
回到芯片图像,有可能在默认灵敏度水平下所有的圆都低于内部阈值,这就是为什么没有检测到圆。默认情况下,'Sensitivity'是一个介于0和1之间的数字,设置为0.85。将“灵敏度”提高到0.9。
[中心,半径]= imfindcircles(rgb,[20 25],“ObjectPolarity”,“黑暗”,...“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
这一次imfindcircles
找到了一些圆圈,准确地说是八个。中心
包含圆心的位置和半径
包含这些圆的估计半径。
功能viscircles
可用于在图像上画圆。输出变量中心
和半径
从imfindcircles
可以直接传递给viscircles
.
Imshow (rgb) h = viscircles(圆心,半径);
圆心的位置似乎是正确的,其相应的半径似乎与实际芯片匹配得很好。但还是少了不少筹码。试着把“灵敏度”提高到0.92。
[中心,半径]= imfindcircles(rgb,[20 25],“ObjectPolarity”,“黑暗”,...“敏感”, 0.92);长度(中心)
ans = 16
所以增加“敏感性”会让我们有更多的圆圈。在图像上再次画出这些圆圈。
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
有两种不同的求圆方法。到目前为止,默认的方法叫做相位编码方法,用于检测圆圈。有另一种方法,普遍称为两阶段方法,该方法在imfindcircles
.使用两阶段方法并展示结果。
[中心,半径]= imfindcircles(rgb,[20 25],“ObjectPolarity”,“黑暗”,...“敏感”, 0.92,“方法”,“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,[20 25],“ObjectPolarity”,“黑暗”,...“敏感”, 0.95);删除(h) viscircles(中心、半径);
注意,这两个方法imfindcircles
准确找到部分可见(闭塞)芯片的中心和半径。
看看最后的结果,很奇怪imfindcircles
没有在图像中找到黄色的芯片。黄股与背景没有强烈的对比。事实上,它们的强度和背景非常相似。有没有可能黄色的筹码并不是真的像假设的那样比背景“暗”?为了确认,再次显示这个图像的灰度版本。
imshow (gray_image)
与背景相比,黄色的筹码几乎是同样的强度,甚至可能更亮。因此,要检测黄色的芯片,将“object极性”改为“亮”。
[centersBright,radiiBright] = imfindcircles(rgb,[20 25],...“ObjectPolarity”,“光明”,“敏感”, 0.92);
画出明亮的中的“颜色”参数可以改变颜色viscircles
.
imshow(rgb) hBright = viscircles(centersBright, radiiBright,“颜色”,“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。
[centersBright,radiiBright,metricBright] = imfindcircles(rgb,[20 25],...“ObjectPolarity”,“光明”,“敏感”, 0.92,“EdgeThreshold”, 0.1);delete(hBright) hBright = viscircles(centersBright, radiiBright,“颜色”,“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!