含噪二值图像内点圆拟合算法咨询：适配各类圆缺陷的鲁棒方案

我有一张含噪二值图像，其中多数白点位于一个圆内。需要具备鲁棒性、能处理圆各类缺陷的拟合算法。

示例图像：

原始图像：

已尝试的方法 #

• Hough圆变换：鲁棒性不足
• 膨胀操作后寻找凸包并拟合圆：鲁棒性不足
• 常规圆拟合算法：仅能拟合圆周上的点，无法处理圆内点
• 计算白点间的两两距离生成直方图，用Otsu算法找对应圆直径的阈值：因点数达数万，计算速度过慢

图像预处理步骤 #

• 转为灰度图
• 识别并移除过暗像素（主要是两条黑色曲线，不可作为圆检测的线索），替换为图像灰度中值
• 采用反向Otsu阈值进行二值化
• 填充孔洞：在此图像中效果不明显，但对圆内内容更密集的图像帮助很大

推荐的鲁棒圆拟合方案 #

1. 适配圆内点的RANSAC圆拟合 #

不需要局限于圆周点，直接利用所有白点做鲁棒拟合：

• 每次随机选取3个白点，拟合一个临时圆
• 统计所有白点中到该圆的距离小于设定阈值（比如半径的5%-10%）的点数量，作为内点计数
• 重复采样足够次数（如1000次），保留内点数量最多的圆作为候选
• 最后用该候选圆的所有内点重新做最小二乘拟合，优化圆心坐标和半径

这种方法天然抗噪，能忽略零散噪点，圆内的点同样能提供有效判断依据。

2. 距离变换+峰值检测 #

利用圆内点到边界的距离特性快速定位：

• 对二值图像做距离变换，每个白点的距离值为其到最近黑点的距离
• 圆内的距离值会围绕圆心呈现对称分布，圆心对应距离变换图的峰值点
• 找到峰值点作为圆心后，统计所有白点到该点的距离，用中位数或众数作为半径（这两个统计量抗噪性远优于均值）

距离变换的计算复杂度为O(n)，处理数万点速度很快，适合大规模数据场景。

3. 离群点过滤+最小外接圆拟合 #

先清理噪点再用几何方法求解：

• 用DBSCAN聚类算法对所有白点聚类，过滤掉零散的小噪点簇
• 对剩余的主簇点，用Welzl算法计算最小外接圆，这个圆能包裹绝大多数有效内点
• Welzl算法的时间复杂度接近线性，处理数万点效率很高

相比单纯的凸包拟合，先过滤离群点能大幅提升鲁棒性。

4. 加权最小二乘拟合（针对圆内点场景） #

修改常规最小二乘的目标函数，适配圆内点：

• 定义误差为点到圆心的距离与半径的差的绝对值，给距离接近半径的点赋予更高权重，距离过小的点降低权重
• 通过迭代加权的方式求解，每次迭代根据点到当前圆的距离调整权重，逐步收敛到最优圆

这种方法能兼顾圆周点和圆内点的信息，同时抑制离群噪点的影响。

内容的提问来源于stack exchange，提问作者hillin