毕业论文的组织是如下安排的：第1章，主要介绍本设计的研究动机和研究现状、数字图像处理概述、Visual C# 2.0及文本内容的组织；第2章，介绍对目标图像的预处理；第3章，基于HOUGH变换的圆形检测设计；第4章，程序调试；结论；致谢；参考文献；在结尾还附上了中英文文摘，计算程序及说明。
研究意义与研究现状
当人在观察外面的世界时，反映在脑海的并不是杂乱无章的图像的分布，而是可分离的物体的集合，这是因为人的视觉系统会对景物进行自动提取。随着数字图像的产生，我们也希望把图像分解成可辨识的景物，这一过程就称为景物提取。本文所要研究的是数字图像圆形检测，即提取出被检测圆的一些特征值，如圆的半径及圆心所在的坐标。我们知道，圆既是一个简单的几何图形，也是构成图像的一个基本要素，在某些应用中，我们只需要将圆简单地提取出来就可以了。而在工业领域中，例如汽车零配件尺寸检查和自动装配的完整性检查，电子装配线的元件自动定位，饮料瓶口损坏检查时，对外观质量的要求非常高，图像处理的数据量大，数据处理相关性高，并且具有严格的帧和场时间限制[2]。
圆检测是机器视觉领域里经常遇到的问题，在实际工程问题中有着十分重要。相对于正方形和多边形而言，圆的特征较少，因此给圆的检测带来了一定的困难[3]。
目前，人们已经提出了多种圆检测的方法，如传统的几何方法、基于圆形边缘积分特性的环路积分微分法、基于最小二乘原理进行拟合的检测算法和模板匹配法等。HOUGH变换是检测圆的最广泛也是最有效方法之一，HOUGH变换于1962年在美国作为专利被发表至今已有三十多年了。由于具有一些明显优点，它引起了国内外许多学者和工程技术人员的普遍关注。专家们对HOUGH变换的理论性质和应用方法进行了深入广泛的研究，并取得了许多有价值的成果。HOUGH变换长期以来一直是直线检测的一种有效算法，直线上各点经过变换转换至参数空间中某一定点并在该点累积，形成参数空间中的局部最大值，从而检测到直线。但应用在圆或椭圆的检测中，参数空间的维数将扩大到三维和五维，这将耗费大量的存储空间和处理器时间。针对如何降低参数空间的维数、减少计算量，许多人提出了自己的看法，但很多算法对图像中的噪声干扰、计算的量化误差仍考虑不足。HOUGH变换的主要优点为：对于图像中的噪声点不敏感，利用其得到的结果可有效地滤除噪声的影响，以提高结果的可信度，该变换便于并行计算，计算机视觉领域的一些问题相当复杂，需要很大的计算量，并行计算是提高计算速度的有效方法。但传统的HOUGH变换有几个较大的缺陷：①计算量大，每个边缘点映射成参数空间的一个曲面(有时可简化成一条线)，是一到多的映射；②占用内存大；③提取的参数受参数空间的量化间隔制约[4]。随机HOUGH变换(Randomized HOUGH Transform，RHT)，克服上述缺陷，在图像空间随机选取不共线的三个点映射成参数空间的一个点，是多到一的映射，从而避免了传统HOUGH变换一到多映射的庞大计算量。为了降低内存需求，采用动态链表结构，只对多到一映射所得到的参数分配单元进行累积，从而与传统HOUGH变换相比，降低了内存需求，同时使RHT具有参数空间无限大、参数精度任意高等优点。尽管RHT只对多到一映射所得到的参数分配单元进行累积，但在处理复杂图像时，由于随机采样仍引入大量的无效单元，从而造成了大量无效累积，使算法性能降低[5]。人们又提出了一种非RHT 系列的随机圆检测( randomized circle detection，RCD)，它在中等以下的噪声比情况下检测速度较RHT快。徐志林等利用梯度信息提出了一种改进的RHT 算法，较好地解决了无效采样问题，但其对噪声较敏感。王强等提出了用链码在图像空间中分割单个圆信息，再用改进的RHT 分别检测单个圆的方法。也可以直接从图像空间中找出所有曲线段，然后再用数值方法从这些曲线段中检测出圆(或圆弧)的方法，这类方法解决了多圆检测的无效采样问题，但其时间复杂度仍然没有显著降低。
