干涉图像中圆形反射镜（巴斯干涉仪）的最优检测方案咨询

问题背景 #

我有一组干涉图像，每张图中均含一个边界清晰、内部带干涉图案的圆形反射镜，需检测该圆形并裁剪出对应区域。尝试通过傅里叶变换去除高频分量后用OpenCV的HoughCircles()检测，但方法运行超时（超数分钟）无法完成，以下是使用的代码：

def detect_mirror(gray : np.array):
    w = gray.shape[1]
    h = gray.shape[0]

    # prepare mask for fourier image
    sz=70
    cx = int(w/2)
    cy = int(h/2)
    mask = np.zeros(gray.shape)
    mask[cy,cx] = 1
    mask = cv2.GaussianBlur(mask, (2*sz+1,2*sz+1), 0)
    mask = mask / np.amax(mask)
    #mask = np.sqrt(mask)
    #mask = cv2.circle(mask, (cx,cy), 1, -1)
    #mask[cy,cx] = 1

    # apply Fourier transformation
    ft = np.fft.ifftshift(gray)
    ft = np.fft.fft2(ft)
    ft = np.fft.fftshift(ft)

    # apply mask
    ft = ft*mask

    # reverse Fourier transformation
    ft = np.fft.ifftshift(ft)
    gray_modified = np.fft.ifft2(ft)
    gray_modified = np.fft.fftshift(gray_modified)

    gray_modified = abs(gray_modified)
    gray_modified = cv2.resize(gray_modified, (int(512*w/h), 512), interpolation = cv2.INTER_LINEAR)
    gray_modified = (gray_modified / np.amax(gray_modified) * 255).astype(np.uint8)

    # find circles
    circles = cv2.HoughCircles(gray_modified, cv2.HOUGH_GRADIENT, 1, 10,
                               param1=100, param2=30,
                               minRadius=int(min(gray_modified.shape)/32))

    # display circles
    rgb = np.zeros((gray_modified.shape[0], gray_modified.shape[1], 3), dtype=gray_modified.dtype)
    rgb[:,:,0] = gray_modified
    rgb[:,:,1] = gray_modified
    rgb[:,:,2] = gray_modified
    if circles is not None:
        for x, y, r in circles[0]:
            cv2.circle(rgb, (int(x),int(y)), int(r), (255,0,0), 1)
    print(circles)
    plt.imshow(rgb)
    plt.show()



    
fname = sys.argv[1]
image = np.asarray(Image.open(fname)).astype(np.uint8)
if len(image.shape) == 3:
    image = np.average(image, axis=2)

detect_mirror(image)

最优解决方案 #

原方案超时的核心原因是傅里叶变换的冗余计算+HoughCircles()本身的高时间复杂度。结合图像中圆形反射镜边界清晰的特点，直接采用「边缘检测+轮廓筛选」的方案，效率和稳定性都远优于原方法。

核心步骤 #

• 边缘检测：用Canny算子直接提取图像边缘，内部干涉图案的高频不会干扰边界提取，跳过耗时的傅里叶滤波。
• 轮廓筛选：从边缘图中提取轮廓，通过面积大小（反射镜通常是图像中最大的圆形区域）和圆形度（4π×面积/周长²，越接近1越接近圆形）筛选目标轮廓。
• 裁剪区域：根据筛选出的轮廓计算圆心和半径，裁剪对应的圆形外接区域（或直接提取圆形掩码区域）。

优化后代码 #

import cv2
import numpy as np
from PIL import Image
import sys

def detect_and_crop_mirror(gray: np.array):
    # 1. Canny边缘检测，参数可根据图像实际情况调整
    edges = cv2.Canny(gray, 50, 150)

    # 2. 提取外部轮廓
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    mirror_contour = None
    max_area = 0
    # 筛选符合条件的圆形轮廓
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < 1000:  # 过滤过小的噪声轮廓
            continue
        # 计算圆形度
        perimeter = cv2.arcLength(cnt, True)
        circularity = 4 * np.pi * (area / (perimeter ** 2)) if perimeter != 0 else 0
        # 优先选择面积最大且圆形度接近1的轮廓
        if circularity > 0.8 and area > max_area:
            max_area = area
            mirror_contour = cnt

    if mirror_contour is None:
        print("未检测到圆形反射镜")
        return gray

    # 3. 获取圆形的圆心和半径
    (x, y), radius = cv2.minEnclosingCircle(mirror_contour)
    center = (int(x), int(y))
    radius = int(radius)

    # 裁剪圆形的外接正方形区域（如需圆形掩码可额外处理）
    x1 = max(0, center[0] - radius)
    y1 = max(0, center[1] - radius)
    x2 = min(gray.shape[1], center[0] + radius)
    y2 = min(gray.shape[0], center[1] + radius)
    cropped_mirror = gray[y1:y2, x1:x2]

    # 可视化检测结果
    rgb_img = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
    cv2.circle(rgb_img, center, radius, (0, 0, 255), 2)
    cv2.rectangle(rgb_img, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.imshow("检测结果", rgb_img)
    cv2.imshow("裁剪后的反射镜", cropped_mirror)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

    return cropped_mirror

# 主程序入口
if __name__ == "__main__":
    fname = sys.argv[1]
    image = np.asarray(Image.open(fname)).astype(np.uint8)
    # 转灰度图，用OpenCV方法更高效
    if len(image.shape) == 3:
        image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    detect_and_crop_mirror(image)

方案优势 #

1. 速度快：跳过傅里叶变换，边缘检测+轮廓提取的计算时间仅需几十毫秒，彻底解决超时问题。
2. 稳定性高：通过轮廓的几何特征筛选，比HoughCircles()的参数调优更鲁棒，不易受内部干涉图案干扰。
3. 直接满足需求：一步到位完成检测和裁剪，无需额外预处理。

内容的提问来源于stack exchange，提问作者vladislav tcendrovskii