我正在尝试使用OpenCV. 我已经设法使用cv::inRange()and创建了这个面具cv::Canny()。
原始图像
面具
但是，当我cv::HoughCircles()只使用一些圆圈时，会被准确地检测到。目前，我正在使用cv::HoughCircles()以下参数：
cv::HoughCircles(mat, circles, CV_HOUGH_GRADIENT, 2, mat.rows / 256, 100, 8, 2, 8);
这种方法是否不足以检测如此小且靠近的圆圈，还是我只需要修改 cv::HoughCircles() 的参数？
此外，消除掩码中间圆阵列周围的“噪音”会很有用，因为在掩码边缘周围检测到一些“假圆”。有没有一种简单的方法可以做到这一点？
摆脱噪音：
如果您可以确保始终具有相同的环境参数（例如与圆的距离、亮度...），那么您可以在 Canny 边缘检测之后使用cvAnd屏蔽您的图像；这是面具的样子：
霍夫圆检测：
现在，关于HoughCircle。首先，该函数执行自己的 Canny 边缘检测。在调用 HoughCircle 之前，您也在做一个。由于Canny 的工作方式（即二进制图像上的强度梯度......），它可能会对你的圆圈的形状产生影响。
说到你的圆圈的形状，下面是你的“圆圈”的特写；如果 HoughCircle 确实检测到了所有甚至只是其中的一部分，我会印象深刻。它不能在霍夫空间中提供任何好处。只是为了确保，将最后两个参数设置为 0（最小/最大半径），并尝试降低中心之间的最小距离。但老实说，我认为你需要找到另一种方法来解决你的问题。
[编辑]
一种可能的方法是执行连接组件标记（例如斑点检测）。据我所知，仅使用 OpenCV 是不可能做到这一点的，你需要像cvblob这样的东西，这是一个非常好的基于 OpenCV 的 blob 库。特别是，您可能对cvCentroid(CvBlob *blob).
干杯
嗯，你真的需要将它们检测为圆圈吗？（而不是将它们建模为圆圈）。
如果这是某种校准模式，并且您只对估计中心的图像位置感兴趣，那么首先将它们检测为点状特征可能会更有效，然后单独处理每个检测到的特征 - 例如拟合圈到每个检测到的特征附近的一团白色像素。