前言

在上一篇中我们介绍了车道线检测，在本篇中我们将使用类似的做法来实现对应硬币的检测。

详解

打开并转换成灰度图

img = cv2.imread('coin.png')
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
plt.imshow(img)

二值化

thresh, output = cv2.threshold(gray_image, 80, 255, cv2.THRESH_BINARY)
output = cv2.GaussianBlur(output, (9, 9), 2)
plt.imshow(output, cmap=plt.cm.gray)

边缘检测

output = cv2.Canny(output, 200, 255)
plt.imshow(output, cmap='gray')

霍夫变换

在之前的文章中我们使用霍夫变换获取到了直线，而这次我们需要的是圆形。

cv2.HoughCircles 是 OpenCV 库中的一个函数，用于在图像中检测圆形。这个函数基于霍夫变换（Hough Transform）的原理，在灰度图像中检测圆形物体。

circles = cv2.HoughCircles(output, cv2.HOUGH_GRADIENT, 1, 50, param1=100, param2=30, minRadius=25)
circles = np.uint16(np.around(circles))
for i in circles[0, :]:
    cv2.circle(img, (i[0], i[1]), i[2], (0, 255, 0), 2)
    cv2.circle(img, (i[0], i[1]), 2, (0, 0, 255), 3)
plt.imshow(img)

语法：
	cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles
参数：
	image：输入的单通道灰度图像，函数将在该图像中进行圆检测。
	method：定义检测图像中圆的方法。默认是cv2.HOUGH_GRADIENT
	dp：图像分辨率与累加器分辨率的比值。这个值可以理解为累加器分辨率与图像分辨率的反比。
		例如，如果 dp=1，则累加器与图像具有相同的分辨率。
		如果 dp=2，累加器分辨率是图像分辨率的一半。
	minDist：检测到的圆的中心之间的最小距离。
		如果 minDist 太小，可能会导致检测到多个相邻的圆。
		如果 minDist 太大，则可能会漏掉一些圆。
	param1：Canny 边缘检测的高阈值。
		Canny 边缘检测是 cv2.HoughCircles 函数中用于寻找边缘的一个步骤。
	param2：累加器阈值。这个阈值用于判断一个圆是否应该被检测出来。
		值越小，检测出的圆越多，但可能会包括一些假圆。
	minRadius：需要检测的最小圆半径。
	maxRadius：需要检测的最大圆半径。
返回值：
	circles 是一个 NumPy 数组，包含检测到的圆的圆心坐标 (x, y) 和半径 r。
		数组的形状为 (n, 3)，其中 n 是检测到的圆的数量。