目录
转自：
有图片资源：
本机：\CircleDetection-master
dataset Mini.zip
GitHub - starbead/opencv_circlefind: using canny and houghcircles for find coins
https://github.com/mdNzaman/Coin-Detection-using-hough-Circles-master
圆标注：
python opencv 圆形roi_jacke121的专栏-CSDN博客
有数据：
支持Windows：
https://github.com/vpplatonov/ellipse_detector
在原作者上修改了一下， 原版地址：
GitHub - dlut-dimt/ellipse-detector
原作者的不乱码，
vpplatonov的代码中文乱码，导致编译失败
比如报错：出现很多未声明的标识符：
因为里面的中文乱码了，把乱码删掉可以。
但是程序运行结果不对，对着原版把注释拷贝过来，
用notepad++，把右下角改为如下图：
但是中文注释正常显示，就能编译成功了。
c++圆检测，圆弧检测，
基于OpenCV和Python的图像圆弧检测 - 问答 - Python中文网
python opencv 工业园检测：
https://github.com/memory-overflow/standard-ellipse-detection
由于业界没有好的椭圆检测算法，所以我写一个库用来做椭圆检测。这个库对于图像中的标准、明显、完整、大小在 100x100 像素以上的椭圆的检测效果非常好，速度也很快。 这个库的实现参考了论文 https://arxiv.org/pdf/1810.03243v4.pdf。
ubuntu 的使用方法
sudo apt-get install gfortran安装gfortran。 然后tar -xzvf lapack-3.9.1.tar.gz && cd lapack-3.9.1
mkdir build && cd build
cmake ..
make -j7
sudo make install
sudo ldconfig
cd ..
sudo cp LAPACKE/include/*.h /usr/local/include/
git clone https://github.com/memory-overflow/standard-ellipse-detection.git
cd standard-ellipse-detection
mkdir build && cd build
cmake ..
make
sudo make install效果未测：
识别圆的强化RANSAC算法_JY_JOKE的博客-CSDN博客_ransac 圆
椭圆检测：
说明，matlab的：
【MATLAB】椭圆检测（Ellipse Detection）算法（含代码）_HPC_ZY-CSDN博客_matlab椭圆检测
c++调用matlab的代码：
C++调用Matlab的.m编程文件_蓦然回首-CSDN博客
【转】C++调用Matlab的.m文件_weixin_34354945的博客-CSDN博客
霍夫圆检测：
霍夫圆检测_jacke121的专栏-CSDN博客_霍夫圆检测
tf模型：
GitHub - mhamdan91/Circle_detector: Detect complete and incomplete circular shapes in noisy images
输入时200*200，只能检测提供的圆，真实场景效果不好
params=(125, 117 , 7)
results=[]
img=cv2.imread(R"C:\Users\002.jpg")
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_o=cv2.resize(img,(200,200))
img=img_o.astype(np.float)/255
detected = find_circle(img)
draw_circle(img_o, int(detected[0]), int(detected[1]), int(detected[2]))
cv2.imshow("asdf",img_o)
cv2.waitKey()
import numpy as np
from shapely.geometry.point import Point
from skimage.draw import circle_perimeter_aa
from tqdm import tqdm
import matplotlib.pyplot as plt
import cv2
import predictor
def draw_circle(img, row, col, rad):
rr, cc, val = circle_perimeter_aa(row, col, rad)
valid = (
(rr >= 0) &
(rr < img.shape[0]) &
(cc >= 0) &
(cc < img.shape[1])
)
img[rr[valid], cc[valid]] = val[valid]
def noisy_circle(size, radius, noise):
img = np.zeros((size, size), dtype=np.float)
# Circle
row = np.random.randint(size)
col = np.random.randint(size)
rad = np.random.randint(10, max(10, radius))
draw_circle(img, row, col, rad)
# Noise
img_noisy = img + noise * np.random.rand(*img.shape)
return (row, col, rad), img_noisy, img
def find_circle(img):
# Fill in this function
detect = predictor.circle_find(img)
return detect
def iou(params0, params1):
row0, col0, rad0 = params0
row1, col1, rad1 = params1
shape0 = Point(row0, col0).buffer(rad0)
shape1 = Point(row1, col1).buffer(rad1)
return (
shape0.intersection(shape1).area /
shape0.union(shape1).area
)
def main():
for attempt in range(1):
results = []
for _ in tqdm(range(1000)):
params,img_noisy, img = noisy_circle(200, 50, 2)
detected = find_circle(img)
results.append(iou(params, detected))
results = np.array(results)
# print((results > 0.7))
print('Accuracy:', (results > 0.5).mean(), 'attempt ', attempt+1)
# Plot the last generated image -- Although out scope but defined in memory
fig, (ax,ax1,ax2) = plt.subplots(1,3, figsize=(10,5))
y, x, r = params
img_rec = cv2.rectangle(img_noisy.copy(), (x - r - 1, y - r - 1), (x + r + 1, y + r + 1), (0, 0, 0), 2)
ax.imshow(img)
ax.set_title("Original image")
ax1.imshow(img_noisy.copy())
ax1.set_title("Image with added noise")
ax2.imshow(img_rec)
ax2.set_title("Detected noisy circle")
plt.show()
# stacked_img = np.hstack([img, img_noisy, np.zeros([200, 1], dtype=np.uint8), img_rec])
# plt.imshow(stacked_img)
# plt.show()
if __name__ == '__main__':
main()
GitHub - jacke121/Circle_detector: Detect complete and incomplete circular shapes in noisy images