检测和测量图像中的圆形对象

打开生活的脚本

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。

步骤1:加载图像

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。

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)

第三步:初步尝试寻找圆圈

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。

第四步:增加检测灵敏度

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。

步骤5:在图像上画圆圈

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);

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。

第七步:为什么有些圈子仍然被忽略?

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)

第八步:在图片中找到“明亮的”圆圈

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);

第九步:用不同的颜色画出明亮的圆圈

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。

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。

[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”）;