cvhough-hui 1.0.0

基于YOLO和Hough变换的灰色圆形检测SDK

CVHough SDK

CVHough SDK 是一个基于YOLO和Hough变换的灰色圆形检测SDK，提供了完整的解决方案用于在图像中检测灰色圆形物体。

功能特性

• YOLO物体检测: 使用预训练的YOLO模型识别图像中的物体
• 多种圆形检测算法:
  • Hough圆检测
  • 轮廓检测
  • Otsu阈值分割
• 灰色像素分析: 精确计算圆形区域内的灰色像素百分比
• 自适应显示: 根据图像尺寸自动调整显示参数
• 可视化结果: 提供直观的检测结果可视化

安装

从源码安装

# 克隆或下载项目
cd cvHough

# 安装依赖
pip install -r requirements.txt

# 安装SDK
pip install -e .

依赖项

• Python >= 3.7
• OpenCV >= 4.5.0
• NumPy >= 1.19.0
• PyTorch >= 1.9.0
• Ultralytics >= 8.0.0

快速开始

基本使用（推荐）

from cvhough_sdk import detect_gray_circles

# 只需要提供图片路径，所有参数都使用默认值
results = detect_gray_circles("path/to/your/image.jpg")

# 打印检测结果
for object_id, circles in results.items():
    print(f"物体 {object_id}: 检测到 {len(circles)} 个圆")
    for circle in circles:
        center_x, center_y, radius, circularity, gray_percentage = circle
        print(f"  圆心: ({center_x}, {center_y}), 半径: {radius}, 灰度: {gray_percentage:.2%}")

高级使用（类接口）

from cvhough_sdk import CVHoughDetector

# 创建检测器实例（可自定义模型路径）
detector = CVHoughDetector()

# 检测圆形
results = detector.detect_circles_in_object_boxes("path/to/your/image.jpg")

API 参考

CVHoughDetector 类

初始化

CVHoughDetector(model_path=None)

参数:

• model_path (str, optional): YOLO模型文件路径。如果为None，将使用SDK内置的默认模型。

主要方法

detect_circles_in_object_boxes()

detect_circles_in_object_boxes(image_path, visualize=True, gray_threshold=0.5)

在图像中检测灰色圆形。

参数:

• image_path (str): 图像文件路径
• visualize (bool): 是否显示检测结果，默认True
• gray_threshold (float): 灰色像素百分比阈值，默认0.5（50%）

返回:

• dict: 检测结果字典，格式为 {object_id: [(center_x, center_y, radius, circularity, gray_percentage), ...]}

detect_gray_color_percentage()

detect_gray_color_percentage(image, center_x, center_y, radius, gray_threshold=0.5)

检测圆形区域内灰色像素的百分比。

参数:

• image: 输入图像
• center_x, center_y: 圆心坐标
• radius: 圆形半径
• gray_threshold: 灰色判定阈值

返回:

• tuple: (is_gray_dominant, gray_percentage, total_pixels, gray_pixels)

检测算法

SDK使用三段阈值规则处理候选圆形：

1. 高灰度比例 (≥80%): 直接保留外圆
2. 中等灰度比例 (50%-80%): 在外圆内搜索更小的灰色圆，如果找到且灰度≥80%则保留内圆
3. 低灰度比例 (<50%): 舍弃该圆形

灰色检测标准

SDK使用以下三种条件判定灰色像素：

1. 低饱和度: HSV色彩空间中饱和度 < 50
2. RGB接近: RGB三通道值接近（最小值/最大值 > 0.7）
3. 银色特征: 低饱和度（< 30）且高亮度（> 150）

示例

完整示例

import cv2
from cvhough_sdk import CVHoughDetector

def main():
    # 创建检测器
    detector = CVHoughDetector()
    
    # 检测图像
    image_path = "test_image.jpg"
    results = detector.detect_circles_in_object_boxes(
        image_path=image_path,
        visualize=True,
        gray_threshold=0.5
    )
    
    # 统计结果
    total_objects = len(results)
    total_circles = sum(len(circles) for circles in results.values())
    retained_circles = sum(
        len([c for c in circles if c[4] >= 0.8]) 
        for circles in results.values()
    )
    
    print(f"检测完成:")
    print(f"- 物体数量: {total_objects}")
    print(f"- 检测到的圆形: {total_circles}")
    print(f"- 保留的灰色圆形: {retained_circles}")
    
    return results

if __name__ == "__main__":
    main()

性能优化

SDK包含多项性能优化：

• OpenCV优化: 启用OpenCV的优化功能和多线程
• PyTorch优化: 禁用梯度计算，优化线程配置
• CLAHE复用: 复用对比度增强实例，减少创建开销
• 向量化计算: 使用NumPy向量化操作提升灰色检测性能
• ROI处理: 仅在感兴趣区域进行计算，减少处理量

故障排除

常见问题

1. 模型加载失败

   • 检查模型文件路径是否正确
   • 确保模型文件完整且未损坏
   • 验证PyTorch和Ultralytics版本兼容性

2. 图像读取失败

   • 检查图像文件路径是否正确
   • 确保图像格式受OpenCV支持
   • 验证文件权限

3. 检测结果不理想

   • 调整gray_threshold参数
   • 检查图像质量和光照条件
   • 考虑使用自定义训练的YOLO模型

调试模式

import os

# 启用检测结果缓存（用于调试）
os.environ["REUSE_DETECTIONS"] = "1"

# 运行检测
detector = CVHoughDetector()
results = detector.detect_circles_in_object_boxes("image.jpg")

许可证

MIT License

贡献

欢迎提交Issue和Pull Request来改进这个项目。

更新日志

v1.0.0

• 初始版本发布
• 支持YOLO物体检测
• 支持多种圆形检测算法
• 支持灰色像素分析
• 支持可视化结果显示