我有一个二值化图像，我已经使用了打开/关闭形态学操作（这是我能得到的最干净的图像，相信我），看起来像这样：
如您所见，有一个明显的椭圆，顶部有些扭曲。 注意：我没有关于圆圈大小的先前信息，而且它必须运行得非常快（我发现 HoughCircles 太慢了）。我正在试图弄清楚如何为它拟合一个椭圆，使其最大化拟合椭圆上对应于形状边缘的点数。也就是说，我想要这样的结果：
但是，我似乎无法在 OpenCV 中找到执行此操作的方法。使用fitEllipse（蓝线）和minAreaRect（绿线）的常用工具，我得到以下结果：
这显然不代表我试图检测的实际椭圆。关于我如何做到这一点的任何想法？很高兴看到 Python 或 C++ 中的示例。
【问题讨论】：
标签： python c++ opencv computer-vision opencv3.0
鉴于显示的示例图像，我对以下陈述非常怀疑：
我已经使用了开/关形态操作（这是我能得到的最干净的，相信我）
而且，在阅读了您的评论后，
为了精度，我需要它在大约 2 个像素的精度范围内
我很确定，使用形态学运算可能会有很好的近似值。
请看下面的代码：
import cv2
# Load image (as BGR for later drawing the circle)
image = cv2.imread('images/hvFJF.jpg', cv2.IMREAD_COLOR)
# Convert to grayscale
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Get rid of possible JPG artifacts (when do people learn to use PNG?...)
_, gray = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)
# Downsize image (by factor 4) to speed up morphological operations
gray = cv2.resize(gray, dsize=(0, 0), fx=0.25, fy=0.25)
# Morphological Closing: Get rid of the hole
gray = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)))
# Morphological opening: Get rid of the stuff at the top of the circle
gray = cv2.morphologyEx(gray, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (121, 121)))
# Resize image to original size
gray = cv2.resize(gray, dsize=(image.shape[1], image.shape[0]))
# Find contours (only most external)
cnts, _ = cv2.findContours(gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# Draw found contour(s) in input image
image = cv2.drawContours(image, cnts, -1, (0, 0, 255), 2)
cv2.imwrite('images/intermediate.png', gray)
cv2.imwrite('images/result.png', image)
中间图像如下所示：
而且，最终的结果是这样的：
由于您的图像非常大，我认为，缩小它不会造成任何伤害。以下形态学操作（大幅）加速，这可能对您的设置感兴趣。
根据你的说法：
注意：我没有关于圆圈大小的先前信息[...]
您可以从您的输入中找到上述内核大小的适当近似值。由于只给出了一个示例图像，我们无法知道该问题的可变性。
希望有帮助！
【讨论】：
Hough-Circle 是完美的选择。如果您知道直径，您可以获得更好的解决方案。如果您只知道一个范围，这可能最适合：
编辑：这比拟合椭圆效果更好的原因是：如果您正在寻找一个圆，您应该使用一个圆作为模型。 wiki article 解释了这个美丽的想法。
顺便说一句，您也可以通过打开和关闭来完成此操作。 （现在你的圈子到底有多大）
import skimage
import matplotlib.pyplot as plt
import numpy as np
from skimage import data, color
from skimage.feature import canny
from skimage.draw import circle_perimeter
from skimage.util import img_as_ubyte
from skimage.transform import hough_circle, hough_circle_peaks
image = skimage.io.imread("hvFJF.jpg")
# Load picture and detect edges
edges = canny(image, sigma=3, low_threshold=10, high_threshold=50)
# Detect two radii
hough_radii = np.arange(250, 300, 10)
hough_res = hough_circle(edges, hough_radii)
# Select the most prominent 5 circles
accums, cx, cy, radii = hough_circle_peaks(hough_res, hough_radii,
total_num_peaks=3)
# Draw them
fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(10, 4))
image = color.gray2rgb(image)
for center_y, center_x, radius in zip(cy, cx, radii):
circy, circx = circle_perimeter(center_y, center_x, radius)
image[circy, circx] = (220, 20, 20)
ax.imshow(image, cmap=plt.cm.gray)
plt.show()
【讨论】：