【问题标题】：How to find the centre of these sometimes-overlapping circles如何找到这些有时重叠的圆圈的中心
【发布时间】：2017-08-14 23:44:09
【问题描述】：

作为我正在进行的项目的一部分，我需要使用 OpenCV 和 Python 在图像中找到一些“斑点”的中心点。我遇到了一些麻烦，非常感谢任何帮助或见解:)

我目前的方法是：获取图像的轮廓，在其上覆盖椭圆，使用斑点检测器找到每个图像的中心。这工作得相当好，但有时我需要忽略多余的斑点，有时这些斑点会相互接触。

以下是运行良好的示例： 良好的源图片： 提取轮廓后： 检测到 blob：

当它运行不佳时（您可以看到它错误地将一个椭圆覆盖在三个斑点上，并检测到一个我不想要的）： 错误的源图片： 提取轮廓后： 检测到 blob：

这是我目前使用的代码。我不确定还有其他选择。

def process_and_detect(img_path):
    img = cv2.imread(path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ret, thresh = cv2.threshold(imgray, 50, 150, 0)
    im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    drawn_img = np.zeros(img.shape, np.uint8)
    min_area = 50
    min_ellipses = []
    for cnt in contours:
        if cv2.contourArea(cnt) >= min_area:
            ellipse = cv2.fitEllipse(cnt)
            cv2.ellipse(drawn_img,ellipse,(0,255,0),-1)
    plot_img(drawn_img, size=12)

    # Change thresholds
    params = cv2.SimpleBlobDetector_Params()
    params.filterByColor = True
    params.blobColor = 255
    params.filterByCircularity = True
    params.minCircularity = 0.75
    params.filterByArea = True
    params.minArea = 150
    # Set up the detector
    detector = cv2.SimpleBlobDetector_create(params)

    # Detect blobs.
    keypoints = detector.detect(drawn_img)
    for k in keypoints:
        x = round(k.pt[0])
        y = round(k.pt[1])
        line_length = 20
        cv2.line(img, (x-line_length, y), (x+line_length, y), (255, 0, 0), 2)
        cv2.line(img, (x, y-line_length), (x, y+line_length), (255, 0, 0), 2)
    plot_img(img, size=12)

非常感谢您阅读本文，我真诚地希望有人可以帮助我，或者指出我正确的方向。谢谢！

【问题讨论】：

你事先知道会有多少个blob吗？所有 blob 的大小是否应该相似，或者您可能有一个与这 3 个组合 blob 大小相同的 blob？这条管道非常多余，因为SimpleBlobDetector 有自己的一组阈值和轮廓检测操作。在申请 SimpleBlobDetector 之前，您已经完成了大部分工作。
我正在使用的 blob 是神经网络的输出，因此我知道训练期间的 blob 数量，但不知道在测试时 - 这是关键时刻。组合大小为 3 的 blob 不太可能出现，但它们的大小确实会有些波动。

标签： python opencv image-processing

【解决方案1】：

斑点检测器

目前，您的实现是多余的。来自SimpleBlobDetector() docs：

该类实现了一个从图像中提取斑点的简单算法：

通过使用从 minThreshold（包括）到 maxThreshold（不包括）的多个阈值以及相邻阈值之间的距离 thresholdStep 应用阈值处理，将源图像转换为二值图像。

通过 findContours() 从每个二值图像中提取连通分量并计算它们的中心。

按坐标对多个二值图像的中心进行分组。闭合中心形成一组，对应一个 blob，由 minDistBetweenBlobs 参数控制。

从这些组中，估计 blob 的最终中心及其半径，并作为关键点的位置和大小返回。

因此，您已经在实施部分步骤，这可能会产生一些意外行为。您可以尝试使用这些参数，看看是否能找出一些适合您的方法（尝试创建trackbars 来使用这些参数并使用不同的斑点检测器参数获取算法的实时结果）。

修改您的管道

但是，您已经编写了大部分自己的管道，因此您可以轻松移除 blob 检测器并实现自己的算法。如果你简单地把你的阈值降低一点，你可以很容易地得到清晰标记的圆圈，然后斑点检测就像轮廓检测一样简单。如果每个斑点都有单独的轮廓，则可以使用moments() 计算轮廓的质心。例如：

def process_and_detect(img_path):

    img = cv2.imread(img_path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ret, thresh = cv2.threshold(imgray, 100, 255, cv2.THRESH_BINARY)

    contours = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[1]
    line_length = 20
    for c in contours:
        if cv2.contourArea(c) >= min_area:
            M = cv2.moments(c)
            x = int(M['m10']/M['m00'])
            y = int(M['m01']/M['m00']) 
            cv2.line(img, (x-line_length, y), (x+line_length, y), (255, 0, 0), 2)
            cv2.line(img, (x, y-line_length), (x, y+line_length), (255, 0, 0), 2)

更多参与

同样的管道可用于自动循环遍历阈值，因此您不必猜测和硬编码这些值。由于所有斑点看起来都大致相同，因此您可以循环遍历，直到所有轮廓具有大致相同的面积。你可以这样做，例如通过找到中值轮廓大小，定义该中值大小的某个百分比高于和低于您允许的范围，并检查检测到的所有轮廓是否都符合这些边界。

这是我的意思的动画gif。请注意，一旦轮廓分离，gif 就会停止：

然后您可以简单地找到这些分离轮廓的质心。代码如下：

def process_and_detect(img_path):

    img = cv2.imread(img_path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    for thresh_val in range(0, 255):

        # threshold and detect contours
        thresh = cv2.threshold(imgray, thresh_val, 255, cv2.THRESH_BINARY)[1]
        contours = cv2.findContours(thresh,
                                    cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[1]

        # filter contours by area
        min_area = 50
        filtered_contours = [c for c in contours
                             if cv2.contourArea(c) >= min_area]
        area_contours = [cv2.contourArea(c) for c in filtered_contours]

        # acceptable deviation from median contour area
        median_area = np.median(area_contours)
        dev = 0.3
        lowerb = median_area - dev*median_area
        upperb = median_area + dev*median_area

        # break when all contours are within deviation from median area
        if ((area_contours > lowerb) & (area_contours < upperb)).all():
            break

    # draw center location of blobs
    line_length = 8
    cross_color = (255, 0, 0)
    for c in filtered_contours:
        M = cv2.moments(c)
        x = int(M['m10']/M['m00'])
        y = int(M['m01']/M['m00'])
        cv2.line(img, (x-line_length, y), (x+line_length, y), cross_color, 2)
        cv2.line(img, (x, y-line_length), (x, y+line_length), cross_color, 2)

请注意，这里我用range(0, 255) 循环遍历所有可能的阈值以给出0, 1, ..., 254，但实际上您可以从更高的起点开始并一次跳过几个值，例如range(50, 200, 5) 以得到50, 55, ..., 195当然会快得多。

【讨论】：

使用多个阈值来分离blob确实是一个好方法。对中心进行分组并不是唯一的选择。您可以考虑在分离良好时获得的中心，以便斑点的内部更加对称。我还猜想半径的精确测量是遥不可及的，因为接触的斑点实际上不再是圆形的。（也许在强度图上有一个稳健的球面拟合。）
@YvesDaoust 我也同意您的分水岭方法，如果 OP 还没有几乎可以工作的管道，我会建议这样做。看起来在 OP 的图片中，blob 的大小都相似，因此只要大于min_area 的所有轮廓都接近中等大小的轮廓，您就可以轻松地循环通过多个阈值和break。
@YvesDaoust 很好，你启发了我用同样的方法遍历阈值。看起来效果不错！
呵呵，循环遍历所有阈值是……分水岭！
@YvesDaoust 确实！我只是认为使用 OP 提供的代码手动处理它会很有趣。

【解决方案2】：

这种斑点分裂问题的“标准”方法是通过分水岭变换。它可以应用于二值图像，使用变换距离，或直接应用于灰度图像。

过度细分问题可能会使其变得棘手，但您的情况似乎不会因此受到影响。

为了找到中心，我通常会推荐像素坐标的加权平均值以获得降噪效果，但在这种情况下，我可能会选择最大强度的位置，它不会受到形状变形。

这是您使用灰度分水岭得到的结果（区域强度是平均值）。与我最初的想法相反，由于 blob 中的不规则性，存在一些碎片

您可以在分割前通过一些低通滤波来改进。

【讨论】：