如何提高CV2型HoughCircles的精度
为了学习一些新的东西，我一直在尝试OpenCV，我建议自己做的一个项目(如一位朋友所建议的)是在抗生素敏感性测试中确定这些药丸产生的圆圈的直径。一个例子可以在这里找到。在探索如何做到这一点的同时，我发现了CV2的HoughCircles的存在，所以我开始了一段漫长的阅读之旅，同时也只是尝试和错误地尝试着获得某种不错的结果。到现在为止，我想说我对这个函数是如何工作的有一个“不错”的理解，但是，我肯定不知道如何充分利用它。
输入我到目前为止拥有的代码：
import numpy
import cv2
image = cv2.imread("antibiograma.png")
output = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.blur(gray, (20,30), cv2.BORDER_DEFAULT)
height, width = blur.shape[:2]
minR = round(width/65)
maxR = round(width/11)
minDis = round(width/7)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1.3, minDis, param1=23, param2=72, minRadius=minR, maxRadius=maxR)
if circles is not None:
circles = numpy.round(circles[0, :]).astype("int")
for (x, y, r) in circles:
cv2.circle(output, (x, y), r, (0, 255, 0), 2)
cv2.rectangle(output, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)
cv2.imshow("result", numpy.hstack([image, output]))
cv2.waitKey()其中大部分是从我查到的一些资源中复制出来的，当时我正试图将它的工作方式包装在脑中，大多数参数都经过修改，以便更好地适应我正在处理的图像。
结果是..。不太好。它似乎标志着圆圈的大致位置，但不太准确。大多数圆圈都有一些令人讨厌的偏移，比它们应该的要大一些，尤其是其中一个(最左边的)几乎是完全错误的。更不用说其中的一些数字(特别是dp和param2)也可能是魔术数字，我对此并不太满意，我很肯定，当我决定将它应用到不同的抗生素敏感性测试中时，我编写的代码就会消亡(我必须补充一点，我打算这么做)。
编辑：我还决定稍微处理一下图像，并应用以下转换：
im4 = 255.0 * (im/255.0)**2获取MatPlotLib生成的图形，并通过HoughCircles (具有不同参数)运行该图形：
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 2.3, minDis, param1=1250, param2=50, maxRadius=maxR)这给了我这个结果。然而，更准确的是，除了忽略最左边的药丸之外，还有神奇的数字问题。
因此，它归结为两件事：
- 如何才能更好地提高函数的精度？
- 如何确定一组将适用于多个图像的参数？
如果这些看起来是愚蠢和基本的，我很抱歉，我对这件事很陌生，所以我很感谢你的帮助。
干杯!
回答 1
Stack Overflow用户
发布于 2022-01-10 23:59:39
这个测试示例对于OpenCV开箱即用的算法结果来说是可行的。总有改进的余地。
以下是我所能做的：
import numpy
import cv2
image = cv2.imread("bact.png")
output = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.equalizeHist(gray)
blur = cv2.GaussianBlur(hist, (31,31), cv2.BORDER_DEFAULT)
height, width = blur.shape[:2]
minR = round(width/65)
maxR = round(width/11)
minDis = round(width/7)
circles = cv2.HoughCircles(blur, cv2.HOUGH_GRADIENT, 1, minDis, param1=14, param2=25, minRadius=minR, maxRadius=maxR)
if circles is not None:
circles = numpy.round(circles[0, :]).astype("int")
for (x, y, r) in circles:
cv2.circle(output, (x, y), r, (0, 255, 0), 2)
cv2.rectangle(output, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)
cv2.imshow("result", numpy.hstack([image, output]))
cv2.waitKey()
为了帮助改进或找到更好的配对关系，我可以想到几个建议：
- 将模糊图像传递给
HoughCircles函数。目前，您正在传递的是图像的灰度版本，而不是模糊版本。 - 模糊的大小和类型。模糊图像可以帮助下游算法。。对于内核，大小也趋向于相同的形状，例如(20,20)，使用(20,30)可能会给出不同的结果。
- 考虑对比校正像
equalizeHist或CLAHE -它可以帮助边缘检测的图像，当你有低对比度或褪色的边缘。 - 神奇的数字。根据医生的说法，param2可以更大的去除假阳性，所以用它来做实验。至于param1和dp，您可能需要改变一些组合，看看什么是最好的。如果你要把多个图像集和不同的照明条件进行比较，你可能得先考虑将图像标准化。魔术数字似乎是没有开箱即用的算法的一部分，所以最好的方法是改变输入，同时输出图像，看什么工作，然后微调。
祝您在与生物学相关的OpenCV旅途中好运:)
https://stackoverflow.com/questions/70659992
复制相似问题
腾讯云开发者
