Python OpenCV：使用轮廓上的大多数点拟合椭圆（而不是最小二乘法）

我有一个二值化图像，我已经对其使用了打开/关闭形态学操作（这是我能得到的最干净的图像，相信我），看起来是这样的：

如你所见，有一个明显的椭圆，顶部有一些变形注意：我没有关于圆的大小的事先信息，这必须运行得非常快（我发现HoughCircles太慢）。我正在尝试找出如何将椭圆拟合到它，以便使拟合椭圆上与形状上的边对应的点数最大化。也就是说，我想要这样的结果：

然而，我似乎无法在OpenCV中找到这样做的方法。使用常用工具

fitEllipse

（蓝线）和

minarealect

（绿线），我得到以下结果：

---

这显然不代表我要检测的实际椭圆。有没有想过我该如何做到这一点？很高兴在Python或C++中看到例子。

< P> Hough Circle是完美的。如果你知道直径，你可以得到一个更好的解决方案。如果您只知道一个范围，这可能最适合：

编辑：这比拟合的椭圆效果更好的原因是：如果你正在寻找一个圆，你应该使用一个圆作为模型。这本书解释了这个美丽的想法

顺便说一句，你也可以通过打开和关闭来实现这一点。（考虑到你现在的圈子有多大）

---

鉴于所示的示例图像，我对以下说法非常怀疑：

我已经对其使用了打开/关闭形态学操作（这是我能得到的最干净的，相信我）

在阅读了你的评论之后

对于精度，我需要它在大约2像素的精度适合

我很确定，使用形态学运算可能会有很好的近似

请查看以下代码：

导入cv2
#加载图像（作为以后绘制圆的BGR）
image=cv2.imread（'images/hvFJF.jpg'，cv2.imread\u COLOR）
#转换为灰度
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
#摆脱可能的JPG工件（人们什么时候学会使用PNG？…）
_，gray=cv2.阈值（gray，128255，cv2.阈值_二进制）
#缩小图像（按系数4）以加快形态学运算
灰色=cv2。调整大小（灰色，dsize=（0,0），fx=0.25，fy=0.25）
#形态闭合：去掉这个洞
gray=cv2.morphologyEx（gray，cv2.MORPH_CLOSE，cv2.getStructuringElement（cv2.MORPH_ELLIPSE，（5,5）））
#形态开口：去掉圆圈顶部的东西
gray=cv2.morphologyEx（gray，cv2.MORPH_OPEN，cv2.getStructuringElement（cv2.MORPH_ELLIPSE，（121，121）））
#将图像大小调整为原始大小
gray=cv2.resize（gray，dsize=（image.shape[1]，image.shape[0]））
#查找轮廓（仅最外部）
碳纳米管，碳纳米管=碳纳米管2.碳纳米管（灰色，碳纳米管2.碳纳米管外部，碳纳米管2.碳纳米管链约无）
#在输入图像中绘制找到的轮廓
图像=cv2。绘制轮廓（图像，CNT，-1，（0,0,255），2）
cv2.imwrite（'images/intermediate.png'，灰色）
cv2.imwrite（'images/result.png'，image）

中间图像如下所示：

最终结果如下所示：

因为你的形象相当大，我认为，缩小它不会有什么坏处。以下形态学操作（大幅）加速，这可能会引起您的设置兴趣

根据你的陈述：

注意：我没有关于圆圈大小的事先信息[…]

您可以从输入中找到上述内核大小的近似值。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

你能发布你目前使用的脚本吗？谢谢！我应该提到两点：（A）不幸的是，我不知道这个圆有多大。可以是图像宽度的10%到90%。（b） 这必须在嵌入式设备上近实时运行；我以前尝试过HoughCircles，但速度非常慢（这是OpenCV的HoughCircles函数，但性能可能与您建议的有所不同）。请问您使用的是哪种硬件，以及您需要的结果有多精确？对于嵌入式系统，您可以使用RANSAC。这可能不会为您提供最佳结果。但它是强大的。它将始终返回找到的最佳结果，并将始终花费相同的计算时间。硬件为四核@1.4GHz，可用内存约为400 MB。为了精确，我需要它的精度在2像素以内。嗯，这很紧。我的意思是有些算法可以达到亚像素精度。你能解释一下什么是实时吗？实时意味着任务需要在一定时间内执行，否则可能出现故障。你的硬件可能足够好，这取决于你需要多少时间来进行计算。我不应该用“实时”这个词，你是对的。我的意思是，在这个硬件上，它应该在大约300毫秒内完成。然而，霍夫圆的一个问题是，它并不总是一个精确的圆，长轴和短轴之间可能存在高达2%的差异（能够检测到这种差异很重要）。

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()