3.6.2-通過顏色區(qū)域+霍夫變換檢測(cè)圓形+一種顏色閾值 openmv+STM32串口通信

**非常詳細(xì)的視頻和文字教程，講解常見的openmv教程包括 巡線、物體識(shí)別、圓環(huán)識(shí)別、閾值自動(dòng)獲取等。非常適合學(xué)習(xí)openmv、K210、K230等項(xiàng)目
視頻合集鏈接在

專刊openmv視覺文章鏈接:
https://blog.csdn.net/qq_46187594/category_12900902.html

3.6.2-通過顏色區(qū)域+霍夫變換檢測(cè)圓形+一種顏色閾值

優(yōu)化 滿足顏色閾值再進(jìn)行圓形檢測(cè)，這樣可以放置誤識(shí)別其他圓形，

import sensor, image, time
from ulab import numpy as np

# ******************** 參數(shù)配置 ********************
# 紅色色環(huán)的LAB顏色閾值
RED_THRESHOLD = (0, 100, 0, 127, 0, 127)  # LAB顏色空間的紅色閾值范圍

# 霍夫變換參數(shù)
HOUGH_THRESHOLD = 2000   # 圓形檢測(cè)的靈敏度，值越高要求邊緣越明顯
MIN_RADIUS = 10          # 檢測(cè)的最小半徑
MAX_RADIUS = 50          # 檢測(cè)的最大半徑

# 卡爾曼濾波參數(shù)
TS = 1/60                # 幀時(shí)間（假設(shè)幀率為60fps）

# 初始化攝像頭
sensor.reset()  # 重置攝像頭
sensor.set_pixformat(sensor.RGB565)  # 設(shè)置像素格式為RGB565
sensor.set_framesize(sensor.QQVGA)  # 設(shè)置分辨率為QQVGA（160x120）
sensor.set_vflip(True)  # 垂直翻轉(zhuǎn)圖像
sensor.set_hmirror(True)  # 水平翻轉(zhuǎn)圖像
sensor.set_auto_gain(False)  # 關(guān)閉自動(dòng)增益
sensor.set_auto_whitebal(False)  # 關(guān)閉自動(dòng)白平衡
clock = time.clock()  # 創(chuàng)建時(shí)鐘對(duì)象用于計(jì)算幀率

# ******************** 卡爾曼濾波器類 ********************
class KalmanFilter:
    def __init__(self, initial_state):
        # 狀態(tài)轉(zhuǎn)移矩陣
        self.A = np.array([
            [1, 0, 0, 0, TS, 0],  # 位置和速度的狀態(tài)轉(zhuǎn)移
            [0, 1, 0, 0, 0, TS],
            [0, 0, 1, 0, 0, 0],
            [0, 0, 0, 1, 0, 0],
            [0, 0, 0, 0, 1, 0],
            [0, 0, 0, 0, 0, 1]
        ])
        # 觀測(cè)矩陣
        self.C = np.eye(6)  # 單位矩陣，表示狀態(tài)和觀測(cè)值直接對(duì)應(yīng)
        # 過程噪聲協(xié)方差矩陣
        self.Q = np.diag([1e-6]*6)  # 過程噪聲較小
        # 觀測(cè)噪聲協(xié)方差矩陣
        self.R = np.diag([1e-6]*6)  # 觀測(cè)噪聲較小
        # 初始狀態(tài)
        self.x_hat = initial_state  # 初始狀態(tài)估計(jì)值
        self.p = np.diag([10]*6)  # 初始誤差協(xié)方差矩陣

    def update(self, Z):
        # 預(yù)測(cè)步驟
        x_hat_minus = np.dot(self.A, self.x_hat)  # 預(yù)測(cè)狀態(tài)
        p_minus = np.dot(self.A, np.dot(self.p, self.A.T)) + self.Q  # 預(yù)測(cè)誤差協(xié)方差

        # 更新步驟
        S = np.dot(self.C, np.dot(p_minus, self.C.T)) + self.R  # 計(jì)算卡爾曼增益的分母
        S_inv = np.linalg.inv(S + 1e-4*np.eye(6))  # 計(jì)算逆矩陣，加入正則化項(xiàng)避免奇異矩陣
        K = np.dot(np.dot(p_minus, self.C.T), S_inv)  # 計(jì)算卡爾曼增益
        self.x_hat = x_hat_minus + np.dot(K, (Z - np.dot(self.C, x_hat_minus)))  # 更新狀態(tài)估計(jì)
        self.p = np.dot((np.eye(6) - np.dot(K, self.C)), p_minus)  # 更新誤差協(xié)方差
        return self.x_hat

# 初始化卡爾曼濾波器
kf = KalmanFilter(np.array([80, 60, 30, 30, 2, 2]))  # 初始狀態(tài)：[x, y, w, h, dx, dy]

# ******************** 主循環(huán) ********************
while True:
    clock.tick()  # 記錄當(dāng)前幀的時(shí)間
    img = sensor.snapshot().lens_corr(1.8)  # 獲取圖像并校正鏡頭畸變

    # ===== 在畫幅中心繪制小圓環(huán)標(biāo)志 =====
    img.draw_circle(80, 60, 5, color=(0, 0, 0), thickness=1)  # 黑色小圓環(huán)，半徑5像素

    # 第一步：顏色閾值分割，找到紅色區(qū)域
    blobs = img.find_blobs([RED_THRESHOLD], merge=True, margin=10)  # 查找紅色區(qū)域
    
    if blobs:
        # 取最大的紅色色塊
        largest_blob = max(blobs, key=lambda b: b.area())  # 找到面積最大的紅色區(qū)域
        img.draw_rectangle(largest_blob.rect(), color=(255,0,0))  # 繪制紅色區(qū)域的矩形框

        # 第二步：在紅色區(qū)域內(nèi)檢測(cè)圓形
        roi = (largest_blob.x(), largest_blob.y(), largest_blob.w(), largest_blob.h())  # 定義檢測(cè)區(qū)域
        circles = img.find_circles(
            threshold=HOUGH_THRESHOLD,  # 圓形檢測(cè)的靈敏度
            x_margin=10,  # 圓心x坐標(biāo)的誤差范圍
            y_margin=10,  # 圓心y坐標(biāo)的誤差范圍
            r_margin=10,  # 半徑的誤差范圍
            r_min=MIN_RADIUS,  # 最小半徑
            r_max=MAX_RADIUS,  # 最大半徑
            roi=roi  # 限制檢測(cè)區(qū)域?yàn)榧t色區(qū)域
        )

        if circles:
            # 篩選同心圓：取半徑最大的圓（假設(shè)最外層是目標(biāo)）
            valid_circles = []
            for c in circles:
                # 檢查是否在紅色區(qū)域中心附近
                if abs(c.x() - largest_blob.cx()) < 15 and abs(c.y() - largest_blob.cy()) < 15:
                    valid_circles.append(c)
            
            if valid_circles:
                target = max(valid_circles, key=lambda c: c.r())  # 找到半徑最大的圓
                x, y, r = target.x(), target.y(), target.r()  # 獲取圓心坐標(biāo)和半徑
                img.draw_circle(x, y, r, color=(0,255,0))  # 繪制檢測(cè)到的圓環(huán)

                # 更新卡爾曼濾波器
                Z = np.array([x, y, 2*r, 2*r, 0, 0])  # 構(gòu)造觀測(cè)值：[x, y, w, h, dx, dy]
                state = kf.update(Z)  # 更新卡爾曼濾波器狀態(tài)

                # 輸出卡爾曼濾波預(yù)測(cè)的圓心坐標(biāo)
                print("卡爾曼預(yù)測(cè)坐標(biāo): X={}, Y={}, R={}".format(int(state[0]), int(state[1]), int(state[2]/2)))

    # 繪制預(yù)測(cè)結(jié)果
    if 'state' in locals():  # 如果存在卡爾曼濾波器的狀態(tài)
        pred_x = int(state[0])  # 預(yù)測(cè)的圓心x坐標(biāo)
        pred_y = int(state[1])  # 預(yù)測(cè)的圓心y坐標(biāo)
        pred_r = int(state[2]/2)  # 預(yù)測(cè)的半徑

        # 約束圓心在紅色區(qū)域內(nèi)
        if blobs:
            blob_x, blob_y, blob_w, blob_h = largest_blob.rect()  # 獲取紅色區(qū)域的邊界
            pred_x = max(blob_x, min(blob_x + blob_w, pred_x))  # 約束x坐標(biāo)在紅色區(qū)域內(nèi)
            pred_y = max(blob_y, min(blob_y + blob_h, pred_y))  # 約束y坐標(biāo)在紅色區(qū)域內(nèi)
            pred_r = min(pred_r, min(blob_w, blob_h) // 2)  # 約束半徑不超過紅色區(qū)域大小

        # 繪制預(yù)測(cè)的圓心和圓環(huán)
        img.draw_cross(pred_x, pred_y, color=(255,0,0))  # 紅色十字標(biāo)記圓心
        img.draw_circle(pred_x, pred_y, pred_r, color=(255,255,0))  # 黃色圓環(huán)

    # 打印幀率
    print("FPS:", clock.fps())  # 輸出當(dāng)前幀率