​​https://answers.opencv.org/question/234920/opencv-multiple-circle-detection-in-a-image/​​

​​​​

原图如上，目标是从这副图片中寻找“细胞”区域。

难点分析：现实采集的图像，质量还是存在一定问题。边界部分可能有所干扰。

参考代码：

const cv::Mat in = cv::imread("e:/template/findcircle.jpg");
  
  

       cv::Mat src;
  
  

       cv::dilate(in, src, cv::Mat(), cv::Point(-1, -1), 2);
  
  

       cv::erode(src, src, cv::Mat(), cv::Point(-1, -1), 2);
  
  
  

       cv::Mat hsv;
  
  

       cv::cvtColor(src, hsv, cv::COLOR_BGR2HSV);
  
  
  

       std::vector<cv::Mat> split_s;
  
  

       cv::split(hsv, split_s);
  
  
  

       split_s[1] = split_s[1] > 70;
  
  

       cv::dilate(split_s[1], split_s[1], cv::Mat());
  
  
  

       std::vector<std::vector<cv::Point> > contours;
  
  

       findContours(split_s[1], contours, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
  
  
  

       for (size_t i = 0; i < contours.size(); i++)
  
  

       {
  
  

           cv::Rect r = cv::boundingRect(contours[i]);
  
  
  

           cv::Mat resized;
  
  

           cv::resize(in(r), resized, cv::Size(5, 5), 0, 0);
  
  

           cv::Scalar mean_s = cv::mean(resized);
  
  
  

           if ((mean_s[0] > 120) & (mean_s[0] < 200))
  
  

           {
  
  

               cv::drawContours(in, contours, i, cv::Scalar(0, 255, 0), 1);
  
  

               cv::rectangle(in, r, cv::Scalar(0, 0, 255), 1);
  
  

           }
  
  

       }

处理结果：

​​​​

非常好，完全找到了所有目标。

代码分析：

1、彩色图像直接进行形态学变换，这个是我之前见的比较少的；

其中，形态学的参数（步长 interation)起到一定作用。但是这个参数对于结果的贡献是不稳定的。

2、代码的书写细节有多处值得学习：

   const   cv :: Mat  in 在获取图片的时候，使用const，本例证明即使原图像标注为const也是可以绘制的；

   std :: vector < cv :: Mat >  split_s ;这个命名值得学习；

split_s [1] =  split_s [1] > 70;过滤掉“浑浊区域”效果良好

3、值得改进的地方

主要算法不稳定，仅使用了轮廓的”面积特征“，尝试findblob进行进一步的分析研究。

    const cv::Mat in = cv::imread("e:/template/findcircle.jpg");

    cv::Mat src;

    cv::dilate(in, src, cv::Mat());

    cv::erode(src, src, cv::Mat());

    cv::Mat hsv;

    cv::cvtColor(src, hsv, cv::COLOR_BGR2HSV);

    std::vector<cv::Mat> split_s;

    cv::split(hsv, split_s);

    split_s[1] = split_s[1] > 70;

    SimpleBlobDetector::Params params;

    params.filterByColor = false;

    params.minThreshold = 120;

    vector<KeyPoint> keypoints;

    Ptr<SimpleBlobDetector> detector = SimpleBlobDetector::create(params);

    detector->detect(split_s[1], keypoints);

​​​​

改变的地方还包括取消了基础形态学变换的参数，或者直接取消形态学变化。

比较这两种算法，都无法正确处理“粘连”区域。但是我认为findblob方法使用了更少参数，因此更稳定，我更倾向于使用这种方法。下一步如果需要继续研究，首先必须制作数据集并进行针对性实验。