Python与OpenCV高效提取9000x7000像素图片中的两个圆形区域
处理超高分辨率图像（例如9000x7000像素）并从中提取特定形状（例如圆形）是图像处理和计算机视觉中的常见挑战。本文提供一种使用Python和OpenCV库的解决方案，高效准确地提取目标圆形区域。
现有代码存在的问题是：检测到的圆形过多，无法精确选取所需的两处圆形区域。 为了改进，我们将采用以下策略：
- 图像预处理：缩放与降噪：首先，为了提高处理效率，我们将原始图像缩小至合适的尺寸。同时，应用高斯模糊滤波器来减少图像噪声，从而提高圆形检测的准确性。
import cv2 import numpy as np image_path = r"c:\users\17607\desktop\smls pictures\pic_20231122151507973.bmp" # 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) scale_percent = 10 # 缩放至原图的1/10 width = int(img.shape[1] / scale_percent) height = int(img.shape[0] / scale_percent) dim = (width, height) resized_img = cv2.resize(img, dim, interpolation=cv2.INTER_AREA) # 灰度转换 gray = cv2.cvtColor(resized_img, cv2.COLOR_BGR2GRAY) # 高斯模糊 blurred = cv2.GaussianBlur(gray, (5, 5), 0)
- 边缘检测：Canny算法：使用Canny边缘检测算法提取图像边缘信息，为后续圆形检测做准备。
# Canny边缘检测 edges = cv2.Canny(blurred, 50, 150)
- 圆形检测：霍夫变换：利用霍夫圆变换(HoughCircles)检测图像中的圆形。关键在于参数调整，以确保只检测到我们需要的两个圆形。这里我们根据圆的半径大小进行筛选，选择两个最大的圆形。
# 霍夫圆变换
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 40, param1=50, param2=30, minRadius=0, maxRadius=0)
if circles is not None:
circles = np.uint16(np.around(circles))
# 选择两个最大的圆
circles = circles[0, :]
circles = circles[np.argsort(circles[:, 2])[::-1][:2]] # 选择半径最大的两个圆
for i in circles:
center_x, center_y, radius = i
# 在缩放后的图像上绘制圆形
cv2.circle(resized_img, (center_x, center_y), radius, (0, 0, 255), 2)
cv2.circle(resized_img, (center_x, center_y), 2, (255, 0, 0), 3)
cv2.imshow("Detected Circles", resized_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
通过以上步骤，我们可以有效地从高分辨率图像中提取出两个最大的圆形区域，并通过可视化结果进行验证。 需要注意的是，scale_percent 和霍夫变换的参数需要根据实际图像进行调整，以达到最佳的检测效果。 如果两个圆形大小相近，可能需要根据圆心坐标或其他特征进行更精细的选择。
