【图像处理】基于传统图像处理的圆环检测及宽度估算

一、背景

一个需求，识别出下图中的浅蓝色环形区域并计算其宽度。由于拍摄场景固定且在相对密闭的环境中，背景及光线变化小，并且需要部署的硬件设备（普通工控机）配置较低，比较适合使用传统图像处理方法。相比于深度学习方法（实例分割应该更合适），省去了数据采集及标注过程，部署也方便，当然稳定性感觉还是不如深度学习方法，可以作为后续产品升级的方案。

二、具体思路

以下仅分享算法思路，更多还是以学习记录为主。 

1. 前景背景分割

为了后续处理方便，首先需要尽可能去除背景区域，因为目标区域以蓝色像素为主，所以根据颜色差异可以做到将前景和背景分离。

补充（2024-09-06 ）

基于HSV颜色空间进行前景背景分割，设置Hue值提取蓝色区域，实测提取效果与RGB通道提取方法几乎无异（在过滤其他颜色上也更有优势），但提取速度明显提升，由0.35s/次缩短至0.003s/次，提升100倍，整体流程也加速63.7%。

2.  颜色增强

增强图像的蓝色通道，进一步区分目标区域。

3. 目标区域提取

对上图进行二值化、形态学处理，提取图像中的连通域，均值滤波平滑噪声并过滤噪声区域，闭操作填充空洞，得到完整的环形区域。

4. 圆检测

此处为比较关键的一步，对二值图像进行边缘提取，得到类圆环区域，使用霍夫圆检测出一个圆形区域，目的是寻找该圆环的中心，以该中心为起始点向外发散寻找圆环。

circles=cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, dp=1, minDist=10, param1=None, param2=None, minRadius=None, maxRadius=None)

参数要根据场景特点进行设置。

minDist：检测到的圆中心（x,y）坐标之间的最小距离。因为每次检测图像中只会出现一个检测目标，也即只会检测一个圆，所以该参数可以设置的相对大些，合并距离相近的圆；

param2：累加平面某点是否是圆心的判定阈值，大于该值时判定为圆心。由于实际检测的目标并非真正的圆，有时为椭圆，有时会有不规则边缘，所以多数情况下只需要近似拟合一个即可。如果该值设置太大会导致检测不到目标，太小会导致检测时间很长，且可能会检测到大量无用圆。

5. 圆环检测及宽度估算 

得到圆心之后，就可以以该点为中心向周围发散，检测内外轮廓上的点，再根据这些点使用椭圆拟合方法得到内外椭圆，同时也能得到各个点对之间的像素距离，最后根据像素与真实距离之间的对应关系，估算得到圆环宽度。

三、总结

基于传统图像处理的检测方法，最大的问题在于其对像素变化的高度敏感，同时每一步的处理都需要设置合理的参数才能达到最终效果，这就需要在测试阶段不断尝试设置不同的参数，直到找到最适合自己的那套参数。

如果环境发生变化，如光照变化、材料变化、拍摄终端变化等，都可能导致最终结果出现差异，因此需要尽可能保证环境的稳定性。与深度学习方法相比，省去了炼丹的时间，但调参的工作一点没少😂，而且很难保证一套参数适应多种场景变化。如果后期应用场景逐渐增加，场景变化差异大，检测效果不好，那最后还是得炼丹🙃。