本项目通过Python与Opencv结合数字图像处理技术对１元、５角、１角三种硬币进行识别。首先通过Canny算子对图像进行边缘检测，然后进一步调用定义的函数去除边缘检测后图像中的孤立点，对处理后的图像进行Hough变换检测圆曲线，进而可以把圆的半径储存在列表中，对所得到的数据进行K-means聚类分析（无监督学习），确定要将目标分为3类，进行迭代，当三类的聚类中心不在发生改变时，确定类，终止迭代。将半径值与类中心进行匹配，实现对１元、５角、１角三种硬币的识别，并在图像上标注显示。

一、方法原理

本项目通过Python与Opencv结合数字图像处理技术对１元、５角、１角三种硬币进行识别。本项目的方法实现过程如下：

首先读取图像，通过Canny算子对图像进行边缘检测，然后进一步调用定义的函数去除边缘检测后图像中的孤立点，对处理后的图像进行广义Hough变换检测圆曲线，进而可以把圆的半径储存在列表中，对所得到的数据进行K-means聚类分析（无监督学习），确定要将目标分为3类，进行迭代，当三类的聚类中心不在发生改变时，确定类，终止迭代。将半径值与类中心进行匹配，实现对１元、５角、１角三种硬币的识别，并在图像上标注显示。此外我们与Matlab程序实验结果进行对比。经测试证明，Opencv所写程序既保持了高效的识别率，代码较少，有一定的实际应用价值。

OpenCV图像处理过程如下：

简介广义Hough变换检测圆：在检测直线时，常常考虑的是使用 来表示一条直线，其中 为该直线到原点的垂直距离， 为该直线的垂线与x轴夹角。如图1.2所示：

 

 

简介K-means聚类分析：所谓聚类算法是指将一堆没有标签的数据自动划分成几类的方法，属于无监督学习方法，这个方法要保证同一类的数据有相似的特征。根据样本之间的距离或者说是相似性（亲疏性），把越相似、差异越小的样本聚成一类（簇），最后形成多个簇，使同一个簇内部的样本相似度高，不同簇之间差异性高。

基本步骤：

1）在n个数据对象任意选择k（已经确定的）个对象作为初始聚类中心

2）计算每个对象与聚类中心的距离；并根据最小距离重新对相应对象进行划分3）重新计算每个聚类的均值作为新的聚类中心

4）循环（2）到（3）直到每个聚类不再发生变化为止（自己设定终止条件）

在编写程序过程中，我们为了得到比较满意的效果，对一些函数的参数进行了调试，如Canny算子中两个阈值，除去孤立点时参照数以及Hough变换缘检测中对应的参数：

1、# param1的具体实现，用于边缘检测

canny = cv2.Canny(img, 400, 400)；

2、res=del_dot(canny,15)；

3、circles = cv2.HoughCircles(res, cv2.HOUGH_GRADIENT, 1, 50, param1=80, param2=30)；

最终实现效果：

结果分析 

用OpenCV对硬币进行K-means聚类分析，运行速度快，部分结果准确；用Matlab程序计算分析运行速度慢，精准度不高。

工程源码分享：

链接：https://pan.baidu.com/s/12hV-8J5OmwTLCtpZ6TfgWg 
提取码：kemj