Opencv笔记：利用霍夫变换检测图像中的红球

代码功能为从一副图像中检测红球，当然也可以针对视频的单帧图像进行检测，关于霍夫圆变换HoughCircles()函数及其原理主要参考了《opencv3编程入门》

HoughCircles()函数

函数原型：

void HoughCircles(InputArray image, outputArray circles, int method, double dp, double minDist, double param1=100, double param2=100, int minRadius=0, int maxRadius=0);

参数说明：
image: 输入图像，8位灰度单通道图像；
circles: 用于储存检测到的园的输出矢量，（x, y, radius）;
method: 调用的检测方法，opencv中使用的是霍夫梯度法（CV_HOUGH_GRADIENT）;
dp: 用于检测圆心的累加器图像的分辨率与输入图像之比的倒数；
minDist: 检测的不同圆的圆心之间 的最小距离；
param1， param2: 与检测方法相对应的参数；
minRadius, maxRadius: 圆半径的最小值和最大值。

主函数

/* redball_detect.cppDescription: the test example for detect the red ball.Date: 2017/10/12*/#include <iostream>#include <opencv2/opencv.hpp>using namespace std;using namespace cv;#define SRC_WINDOW_NAME "redball"#define MID_WINDOWNAME "redball_gray"Mat srcImage,  dstImage;Mat channel[3];int main(){    // 原图像读取    srcImage = imread("redball5.jpg", 1);    imshow(SRC_WINDOW_NAME, srcImage);    // 提取红色通道图像    int g_nHm = 9; // 可利用滑动条调节    split(srcImage, channel);    channel[0] = channel[0].mul(.1*g_nHm); // B    (mul: per-element matrix multiplication)    channel[1] = channel[1].mul(.1*g_nHm); // G    channel[2] = channel[2] - channel[0] - channel[1]; // R    channel[2] = 3 * channel[2];    imshow(MID_WINDOWNAME, channel[2]);    dstImage = channel[2];    GaussianBlur(dstImage, dstImage, Size(9, 9), 2, 2); // 用于减少检测噪声    // 霍夫圆检测    vector<Vec3f> circles; // 3通道float型向量    HoughCircles(dstImage, circles, CV_HOUGH_GRADIENT, 1, srcImage.rows / 5, 200, 16, 0, 0);    // 结果显示    for (size_t i = 0; i < circles.size(); i++)    {        Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));        int radius = cvRound(circles[i][2]);        circle(srcImage, center, 3, Scalar(0, 255, 0), -1, 8, 0);        circle(srcImage, center, radius, Scalar(155, 50, 255), 3, 8, 0);        cout << circles[i][0] << "\t" << circles[i][1] << "\t" << circles[i][2] << endl;    }    // cout << circles[0][0] << endl;    imshow(SRC_WINDOW_NAME, srcImage);    waitKey(0);    return 0;}

代码中的几点说明：
- 因为需要检测的红色球，所以提取RGB图像中的红色通道值更有利于检测；
- g_nHm是可调节参数，可以利用滑动条确定最好的值；
- GaussianBlur()函数用于抑制检测过程中的噪声，可以参考检测结果中使用GaussianBlur前后的对比。

结果显示

原图：

g_nHm=9时红色通道图像：

不加高斯平滑的检测结果：

加入高斯平滑的检测结果：