OpenCV 找圆算法（HoughCircles）总结与优化代码

Opencv内部提供了一个基于Hough变换理论的找圆算法，HoughCircle与一般的拟合圆算法比起来，各有优势：优势：HoughCircle对噪声点不怎么敏感，并且可以在同一个图中找出多个圆；反观拟合圆算法，单纯的拟合结果容易受噪声点的影响，且不支持一个输入中找多个圆。 因此通过优化排序方法提高其精度。

//----------------------------------------------------------------------------
//   20014.11.26 by Charles 

/*	circle_found为找圆结果的结构
	FindCircles为最终对外的接口，其他都是内部函数
//优化处理后打包好的HoughCircles接口，cv核心算法的优化补充在该函数中添加如下：
//1、添加cvCanny的低阈值low_threshold，参数控制可以更灵活
//2、可选择性的手动输入轮廓图代替cv核心算法内自动调用的canny，可以更有效的进行预处理
//3、添加分数过滤，将找出的圆与实际轮廓对比重合率（如果输入了轮廓图则与轮廓图比，否则用算法内部自动生成的轮廓图对比），
//		按照分数高低排序并过滤掉分数过低的圆
*/
//----------------------------------------------------------------------------

#include “ExtendHoughCircle.h“



bool SortCircleFound（ const circle_found &v1 const circle_found &v2）//注意：本函数的参数的类型一定要与vector中元素的类型一致  
{  
	return v1.score > v2.score;//降序排列  
}  

const int STORAGE_SIZE = 1 << 12;

#define hough_cmp_gt（l1l2） （aux[l1] > aux[l2]）

#define cvSobel_Core 5
#define overlap_check_brush 2

enum { XY_SHIFT = 16 XY_ONE = 1 << XY_SHIFT DRAWING_STORAGE_BLOCK = （1<<12） - 256 };

static CV_IMPLEMENT_QSORT_EX（ icvHoughSortDescent32s int hough_cmp_gt const int* ）

static void seqToMat（const CvSeq* seq cv::OutputArray _arr）
{
	if（ seq && seq->total > 0 ）
	{
		_arr.create（1 seq->total seq->flags -1 true）;
		cv::Mat arr = _arr.getMat（）;
		cvCvtSeqToArray（seq arr.data）;
	}
	else
		_arr.release（）;
}

static void icvFindCirclesGradient（ CvMat* img cv::Mat &contour_img float dp float min_distint min_radius int max_radius
	int low_threshold int high_thresholdint acc_thresholdCvSeq* circles int circles_max ）
{
	const int SHIFT = 10 ONE = 1 << SHIFT;
	cv::Ptr dx dy;
	cv::Ptr edges accum dist_buf;
	std::vector sort_buf;
	cv::Ptr storage;

	int x y i j k center_count nz_count;
	float min_radius2 = （float）min_radius*min_radius;
	float max_radius2 = （float）max_radius*max_radius;
	int rows cols arows acols;
	int astep *adata;
	float* ddata;
	CvSeq *nz *centers;
	float idp dr;
	CvSeqReader reader;

	//如果输入的轮廓图尺寸与输入的源图完全相同，则使用输入的轮廓图，否则cvCanny提取轮廓图，可以更灵活的预处理图像
	if （ contour_img.cols==img->cols && contour_img.rows==img->rows ）
	{
		edges = cvCloneMat（&CvMat（contour_img））;
	}else
	{
		edges = cvCreateMat（ img->rows img->cols CV_8UC1 ）;
		cvCanny（ img edges low_threshold high_threshold 3 ）;	//添加cvCanny的低阈值low_threshold，参数控制可以更灵活
		contour_img=cv::Mat（edges）+0;
	}

	dx = cvCreateMat（ img->rows img->cols CV_16SC1 ）;
	dy = cvCreateMat（ img->rows img->cols CV_16SC1 ）;
	///////////////////////////////////计算方向导数的Sobel核大小，重要参数////////////////////////////////////////
	cvSobel（ img dx 1 0 cvSobel_Core ）;
	cvSobel（ img dy 0 1 cvSobel_Core ）;

	if（ dp < 1.f ）
		dp = 1.f;
	idp = 1.f/dp;
	accum = cvCreateMat（ cvCeil（img->rows*idp）+2 cvCeil（img->cols*idp）+2 CV_32SC1 ）;
	cvZero（accum）;

	storage = cvCreateMemStorage（）;
	nz = cvCreateSeq（ CV_32SC2 sizeof（CvSeq） sizeof（CvPoint） storage ）;
	centers = cvCreateSeq（ CV_32SC1 sizeof（CvSeq） sizeof（int） storage ）;

	rows = img->rows;
	cols = img->cols;
	arows = accum->rows

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        547  2017-01-12 16:33  Main.cpp

     文件        965  2017-01-12 16:33  ExtendHoughCircle.h

     文件      14129  2017-01-12 16:33  ExtendHoughCircle.cpp

----------- ---------  ---------- -----  ----

                15641                    3