霍夫圆检测原理及使用案例（带调参过程）

乐平要加油啊

已于 2024-12-10 17:33:11 修改

阅读量1.8k

点赞数 17

分类专栏： OpenCV 文章标签：计算机视觉 opencv 人工智能

于 2024-12-10 17:32:09 首次发布

本文链接：https://blog.youkuaiyun.com/qq_49110168/article/details/144374740

版权

OpenCV 专栏收录该内容

1 篇文章

订阅专栏

在工业检测和机器视觉等领域，传统图像处理技术依然是不可或缺的重要方法。特别是圆形目标的检测和定位，传统图像处理技术的能够提供高效且精确的解决方案。本文将详细探讨如何使Python编程语言和OpenCV库，结合霍夫圆算法实现圆形目标的检测。此外，本文提供了调参的具体过程。觉得可以的话，点赞收藏哈。本人励志成为一名大博主，你的支持就是我最大的动力！！

1 霍夫圆检测原理

1.1 检测原理

圆的解析方程: (x - a)^2 + (y - b)^2 = r^2，参数空间: (a, b, r)，其中(a, b)表示圆心坐标，r表示半径。

步骤如下：

1. 边缘检测:

对输入图像进行边缘检测，常用的方法有Canny算子、Sobel算子等，得到二值化的边缘图像，边缘点像素值为1，非边缘点像素值为0。

2.计算梯度:

对边缘图像计算梯度幅值和方向，梯度幅值反映边缘强度，梯度方向指向圆心

3.参数空间投票:

对每个边缘点(x, y),根据其梯度方向和预设的半径范围，计算可能的圆心坐标(a, b)，将(a, b, r)对应的参数空间的累加器加1，表示一次投票

4. 查找局部最大值:

在参数空间的累加器中查找局部最大值，超过设定阈值的局部最大值对应检测到的圆，局部最大值的坐标(a, b, r)即为检测到的圆的参数。

5. 圆心和半径的确定:

对于每个检测到的圆，以(a, b)为圆心，r为半径，在原图像上绘制圆。

1.2 函数参数解释

circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, minDist=20, param1=70, param2=50, minRadius=20, maxRadius=80)

GrayImage: 输入图像，单通道、灰度图像。
cv2.HOUGH_GRADIENT：表示使用梯度信息进行圆检测。
dp: 累加器分辨率与图像分辨率的反比。dp = 1 时，累加器的分辨率与图像分辨率相同；dp = 2 时，累加器的宽高都被减半。通常设置为 1 或 2。调整建议：增大 dp 可以减少计算量，但可能导致漏检；减小 dp 可以提高检测精度，但计算量增加。
minDist: 检测到的圆心之间的最小距离。如果两个圆心之间的距离小于该值，则认为它们是同一个圆。调整建议：根据圆之间的实际距离设置。增大 minDist 可以避免重复检测，但可能漏检一些圆；减小 minDist 可以检测更多的圆，但可能出现重复检测。
param1: Canny 边缘检测的高阈值，低阈值是高阈值的一半。调整建议：增大 param1 可以减少边缘点数，提高检测速度，但可能漏检一些圆；减小 param1 可以增加边缘点数，提高检测准确性，但速度变慢。
param2: 累加器的阈值。一个圆对应的累加器值超过该阈值时，才被认为是真正的圆。调整建议：增大 param2 可以提高检测精度，但可能漏检一些圆；减小 param2 可以检测更多的圆，但可能出现误检。
minRadius: 圆的最小半径。调整建议：根据待检测圆的实际最小尺寸设置。
maxRadius: 圆的最大半径。调整建议：根据待检测圆的实际最大尺寸设置。

2 使用案例

2.1 调参顺序

先调整 dp 和 minDist，使检测到的圆的数量和位置大致正确。
调整 param1 和 param2，使检测结果更加准确，同时尽量避免漏检和误检。
最后根据实际需求调整 minRadius 和 maxRadius，限定检测圆的大小范围。

2.2 调参实例

2.2.1 原始代码

原始图像如下所示：

原始代码如下：

import cv2
import numpy as np
import time
if __name__ == "__main__":
    img=cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    t1=time.time()
    GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, 40, param1=70, param2=30, minRadius=0,maxRadius=0)
    t2=time.time()
    print("运行时间：",t2-t1)

    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        x,y,r=i[0],i[1],i[2]
        #draw the outer circle
        cv2.circle(img,(x,y),r,(0,255,0),2)
        cv2.circle(img,(x,y),2,(0,0,255),3)
    cv2.imshow("img",img)
    cv2.waitKey()

运行结果：

2.2.2 初步调参

调整内容：

加入均值滤波
minDist改为20（根据圆之间的实际距离设置。）
param2改为50（提高检测精度，避免误检）
minRadius改为20，maxRadius改为80（根据待检测圆的实际最小、最大尺寸设置。）

代码如下：

import cv2
import numpy as np
import time

if __name__ == "__main__":
   
    image = cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    t1 = time.time()
    GrayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    GrayImage = cv2.blur(GrayImage, (7, 7))  # 均值滤波 滤除背景噪声
    circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, minDist=20, param1=70, param2=50, minRadius=20, maxRadius=80)
    t2 = time.time()
    print("运行时间：", t2 - t1)  # 只统计霍夫圆检测时间

    # 这里进行圆绘制
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        x, y, r = i[0], i[1], i[2]
        # draw the outer circle
        cv2.circle(image, (x, y), r, (0, 255, 0), 2)
        cv2.circle(image, (x, y), 2, (0, 0, 255), 3)
    cv2.imshow("img1", image)
    cv2.waitKey()

运行结果如下：

2.2.3 最终调参

调整内容：

加入均值滤波
minDist改为70（根据圆之间的实际距离设置。）
param2改为40（提高检测精度，避免误检）
minRadius改为30，maxRadius改为60（根据待检测圆的实际最小、最大尺寸设置。）

代码如下：

import cv2
import numpy as np
import time


def hough_circle_detection(image_path):
    # 读取图像
    # img = cv2.imread(image_path)
    img= cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    # 图像缩放
    # img = cv2.resize(img, None, fx=1, fy=1)

    # 转换为灰度图像
    gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 均值滤波以减少噪声
    gray_image = cv2.blur(gray_image, (9,9))

    # 霍夫圆检测
    t1 = time.time()
    circles = cv2.HoughCircles(
        gray_image,
        cv2.HOUGH_GRADIENT,
        dp=1,
        minDist=70,       # 设置最小圆心距离
        param1=70,        # Canny 边缘检测的高阈值
        param2=40,        # 圆心检测的阈值
        minRadius=30,     # 最小半径
        maxRadius=60      # 最大半径
    )
    t2 = time.time()
    print("运行时间：", t2 - t1)

    # 绘制检测到的圆
    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            x, y, r = i[0], i[1], i[2]
            # 绘制外圆
            cv2.circle(img, (x, y), r, (0, 255, 0), 2)
            # 绘制圆心
            cv2.circle(img, (x, y), 2, (0, 0, 255), 3)

    # 显示结果
    cv2.imshow("Detected Circles", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == "__main__":
    hough_circle_detection("test.png")  # 替换为你的图像路径

运行结果如下：

调试成功！！！