使用带有3通道输入的HoughCircles时出错

Question

在检测圆之前，我将red通道替换为green通道。更换通道后，我将其通过模糊过滤器，然后进行Hough变换来检测圆。但是当我这样做的时候，我得到了一个糟糕的错误信息：

OpenCV(3.4.1) Error: Assertion failed (!_image.empty() && _image.type() == (((0) & ((1 << 3) - 1)) + (((1)-1) << 3)) && (_image.isMat() || 

_image.isUMat())) in HoughCircles, file /io/opencv/modules/imgproc/src/hough.cpp, line 1659
Traceback (most recent call last):

  File "circle_light.py", line 44, in <module>
    param1=param1,param2=param2,minRadius=minRadius,maxRadius=maxRadius)

cv2.error: OpenCV(3.4.1) /io/opencv/modules/imgproc/src/hough.cpp:1659: error: (-215) !_image.empty() 

&& _image.type() == (((0) & ((1 << 3) - 1)) + (((1)-1) << 3)) && (_image.isMat() || _image.isUMat()) in function HoughCircles

我无法从中获得任何意义，因此无法理解我可能会做错事。这是我所做的事情的片段。在

^{pr2}$

当我调用HoughCircles函数时发生错误。我可能做错了什么？在

Answer 1

关于解释错误。它来自hough.cpp#L1659：

CV_Assert(!_image.empty() && _image.type() == CV_8UC1 && (_image.isMat() || _image.isUMat()));

分解后，必须满足以下所有条件：

• !_image.empty()：输入图像不应为空
• _image.type() == CV_8UC1：输入图像必须是8U（8位无符号，np.uint8）和{}（单通道）
• _image.isMat() || _image.isUMat()：检查输入是Mat还是{}（在Python中，它必须是一个numpy数组）

关于您的特定错误消息（error: (-215) !_image.empty() && _image.type() == (((0) & ((1 << 3) - 1)) + (((1)-1) << 3)) && (_image.isMat() || _image.isUMat())）：

• 错误代码（-215）来自here：它是通用的CV_StsAssert
• 然后这些数字：它们代表CV_8UC1。你想知道为什么吗？你应该：）我们开始吧：
  1. CV_8UC1
  2. CV_MAKETYPE(CV_8U,1)：：来自^{}
  3. CV_MAKETYPE(0,1)：：来自^{}
  4. (CV_MAT_DEPTH(0) + (((1)-1) << CV_CN_SHIFT))：：从^{}
  5. (((0) & CV_MAT_DEPTH_MASK) + (((1)-1) << CV_CN_SHIFT))：：来自^{}
  6. (((0) & (CV_DEPTH_MAX - 1)) + (((1)-1) << CV_CN_SHIFT))：：来自^{}
  7. (((0) & ((1 << CV_CN_SHIFT) - 1)) + (((1)-1) << CV_CN_SHIFT))：：来自^{}
  8. (((0) & ((1 << 3) - 1)) + (((1)-1) << 3))：：来自^{}

---

我将尝试补充@Mark Setchell的答案，仅仅因为我很好奇，我想分享：）

如果您查看文档，^{}是imgproc模块的一部分（位于Feature Detection“子模块”）下。文档说唯一实现的方法是HOUGH_GRADIENT（又名21HT，即两阶段Hough变换），他们指出参考文献“Comparative study of Hough Transform methods for circle finding”（1990）：）。如果由于付费墙而无法访问，则可以访问1989's version for free）。本文作者评论道：

The HT method of shape analysis uses a constraint equation relating points in a feature space to possible parameter values of the searched for shape. For each feature point, invariably edge points, votes are accumulated for all parameter combinations which satisfy the constraint. [...]

后来，他们写道：

If edge direction information is available, then one way to reduce the storage and computational demands of circle finding is to decompose the problem into two stages [...]

因此，如果你想坚持21小时，你基本上需要边和边方向信息。例如，您可以通过Sobel（例如，dx和dy）获得边缘方向信息，并使用这些已经计算的dx和{}来使用Canny来获得边缘。事实上，这就是OpenCV实现所做的。如果导航到^{}，则可以看到Sobel+Sobel+Canny操作here。在

那么，怎么了？好吧，这意味着如果你有其他方法（或者你想提出一个新的方法，为什么不呢？）它能够返回更适合您的情况的边和边方向信息（可能颜色在您的情况下有不同的含义），然后您可以用您的方法替换这3行（Sobel+Sobel+Canny），然后重用其余实现（酷，哈？）。如果你有灵感：），你可以看看“A Short History of Color Edge Detection”，然后从那里开始。在

那么，为什么我们需要单通道输入？好吧，基本上是因为我们需要边缘，它们通常被表示为单通道图像。另外，implementation目前只支持单通道边缘和边缘方向信息。然而，这些概念中的大多数可以扩展到多通道输入。我认为，因为没有通用的解决方案（可能这些概念会根据具体情况而改变），而且很少有人会从中受益，所以到目前为止没有人愿意提供任何实现。在

抱歉回答太长了。我知道TL；DR“该方法需要单通道输入”就足够了。我很好奇，想分享一下

Answer 2

您只能对单个通道（灰度）图像调用cv2.HoughCircles()，您的图像有3个通道。在

Documentation。在