使用 openCV 和 python 检测物体

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()

如果您可以在 OpenCV 中重现形态重建，则可以轻松构建 h-dome 变换，从而显着简化任务。否则，高斯滤波的简单阈值可能也足够了。

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

上面的代码中进行了高斯滤波，以有效抑制输入边界周围的噪声，否则这些噪声在 h-dome 变换后仍会保留。

接下来是高斯滤波后简单阈值的结果（Binarize[GaussianFilter[f, 2], 0.5]）以及使用Kapur阈值方法直接二值化给出的另一个结果（参见论文“A new method for Gray-level picturethresholding using the entropy of the histogram”（这不再是一个新方法，它是从1985年开始的） ））：

上面右图的边界上有很多小点（在这个图像分辨率下看不到），但是是全自动的。在这 3 个选项中，OpenCV 中仅存在第二个选项。