使用Python和OpenCV高效查找大尺寸图片白色区域中的圆形
本文介绍如何使用Python和OpenCV库，高效处理9000x7000像素的大尺寸图片，准确识别其中白色区域内的圆形。 直接处理如此高分辨率的图片效率低下，因此我们将采用图像缩放、二值化和霍夫变换等技术优化处理流程。
原始方法中使用霍夫变换检测圆形，但结果包含大量冗余信息。为了提高准确性，我们需要改进算法，主要步骤如下：
-
图像缩放: 使用
cv2.resize函数缩小图像尺寸，降低计算复杂度，同时保持足够的细节用于圆形识别。 - 灰度转换: 将彩色图像转换为灰度图像，简化后续处理。
-
二值化: 使用
cv2.threshold函数将灰度图像二值化，将白色区域与其他区域清晰地区分开。 这里设置合适的阈值至关重要，可以根据图片的实际情况调整。 -
霍夫圆变换: 使用
cv2.HoughCircles函数进行霍夫圆变换，检测图像中的圆形。 参数需要根据图像特点进行微调，例如param1和param2控制边缘检测的敏感度和累加器阈值。 - 圆形筛选: 对检测到的圆形进行筛选，只保留位于白色区域内的圆形。 通过检查圆心周围区域的像素平均灰度值是否高于设定的阈值来实现。
以下是一个改进后的Python代码示例：
import cv2
import numpy as np
image_path = r"C:\Users\17607\Desktop\smls pictures\Pic_20231122151507973.bmp" # 请替换为你的图片路径
def detect_circles(image_path):
# 读取图像
img = cv2.imread(image_path)
# 缩放图像 (调整缩放比例根据实际情况修改)
img = cv2.resize(img, (img.shape[1] // 10, img.shape[0] // 10))
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化处理 (调整阈值根据实际情况修改)
_, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)
# 霍夫圆变换 (调整参数根据实际情况修改)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 40, param1=50, param2=30, minRadius=0, maxRadius=0)
if circles is not None:
circles = np.round(circles[0, :]).astype("int")
for (x, y, r) in circles:
# 筛选位于白色区域的圆形 (调整阈值根据实际情况修改)
if np.mean(thresh[y - r:y + r, x - r:x + r]) > 200:
cv2.circle(img, (x, y), r, (0, 255, 0), 2) # 画出圆圈
cv2.circle(img, (x, y), 2, (0, 0, 255), 3) # 画出圆心
return img
result_image = detect_circles(image_path)
cv2.imshow("Detected Circles", result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
此代码首先缩放图像以提高效率，然后进行灰度转换和二值化处理，再使用霍夫圆变换检测圆形。最后，通过检查圆形区域的平均灰度值来筛选出位于白色区域内的圆形，并将其绘制在图像上。 请根据实际图像调整代码中的阈值和霍夫变换参数以获得最佳结果。 这比之前的版本更简洁高效，并提供了更清晰的注释。
立即学习“Python免费学习笔记（深入）”；
