使用openCV和python检测对象

我正在尝试使用OpenCV和Python检测下图中的白点

我尝试使用函数cv2.HoughCircles，但没有成功

我需要使用不同的方法吗

这是我的代码：

import cv2, cv
import numpy as np
import sys

if len(sys.argv)>1:
    filename = sys.argv[1]
else:
    filename = 'p.png'

img_gray = cv2.imread(filename,cv2.CV_LOAD_IMAGE_GRAYSCALE)

if img_gray==None:
    print "cannot open ",filename

else:
    img = cv2.GaussianBlur(img_gray, (0,0), 2)
    cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
    circles = cv2.HoughCircles(img,cv2.cv.CV_HOUGH_GRADIENT,4,10,param1=200,param2=100,minRadius=3,maxRadius=100)
if circles:
    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),1) 
        cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)   

cv2.imshow('detected circles',cimg)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

我认为中值滤波器会改善你的图像。尝试使用一些内核，3x3或7x7。然后，一些（局部）阈值算法将得到你的形状。您可以选择HoughCircles，也可以仅查找轮廓并检查其圆度。

使用合适的阈值技术将图像转换为二值图像（大津可能会有所帮助）。然后使用形态学操作（如腐蚀）使圆变小，然后您可以轻松找到圆的中心。

如果您可以在OpenCV中复制形态学重建，则可以轻松构建h-dome变换，从而大大简化任务。否则，一个简单的高斯滤波阈值就足够了

Binarize[FillingTransform[GaussianFilter[f，2]，0.4，Padding->1]

在上面的代码中进行了高斯滤波，以有效地抑制输入边界周围的噪声，否则在h-dome变换后仍将保留该噪声

接下来是高斯滤波后的简单阈值结果（

二值化[GaussianFilter[f，2]，0.5]

），以及通过使用Kapur阈值化方法直接二值化给出的另一个结果（参见“利用直方图熵的灰度图像阈值化新方法”一文）（这不再是一种新方法，而是从1985年开始）：

---

上面的右图边界上有很多小点（在这个图像分辨率下看不到），但它是全自动的。从这三个选项中，只有第二个选项已经出现在OpenCV中。

图像的边界周围有很多白点。你能澄清你想找到哪些点吗？也许那些靠近中心的点根本不是点？大津将给出一个非常糟糕的结果，你可以自己测试，或者至少是t查看图像的直方图（提示：它是单峰的）.是的，也许你是对的。我以前做过类似的事情，但我不记得我用过哪种二值化，不管是kittler还是otsu。我不是要你相信我，你自己试试。在otsu进行二值化后，你会看到结果。但是Kapur的方法工作得很好，那时不需要形态学运算。