如何检测含噪声、厚度不确定的二值图像中的理想圆？

我尝试用opencv-python的cv2.HoughCircles检测目标圆，但设置param2=0.2时检测结果全是噪声，设置param2=0.8时则完全检测不到任何圆。

使用的代码如下：

import cv2
import numpy as np

img = cv2.imread('image.png')
# 应用高斯模糊
kernel_size = (15, 15)
sigma = 0
blurred_image = cv2.GaussianBlur(img, kernel_size, sigma)
gray = cv2.cvtColor(blurred_image, cv2.COLOR_BGR2GRAY)

circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT_ALT, dp=1.5, minDist=20, param1=50, param2=0.2, minRadius=100, maxRadius=400)

# 绘制检测结果
if circles is not None:
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        cv2.circle(img, (i[0], i[1]), i[2], (0, 255, 0), 2)
        cv2.circle(img, (i[0], i[1]), 1, (0, 0, 255), 3)

# 显示结果
cv2.imshow('used image', gray)
cv2.imshow('detected circles', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

我需要优化检测逻辑，得到符合以下定义的理想圆：

给定0.1度的角分辨率，将区域划分为3600个扇形。理想圆需包含尽可能多的满足“扇形内存在灰度值低于阈值（如15）的像素”的扇形，即符合条件的扇形占比尽可能接近1；若有多个占比相同的圆，任选其一即可。

1. 调整预处理流程 #

• 替换高斯模糊为中值模糊：中值模糊对椒盐噪声抑制效果更强，同时能保留边缘细节，更适配圆检测需求。可尝试cv2.medianBlur(gray, 5)（核大小选奇数，如5、7）。
• 增加阈值分割：先对灰度图做二值化，突出低灰度区域，示例代码：_, binary = cv2.threshold(gray, 15, 255, cv2.THRESH_BINARY_INV)，将灰度低于15的区域转为白色，便于后续检测。

2. 微调HoughCircles参数 #

• param1：该参数对应Canny边缘检测的高阈值，低阈值为其一半。当前设为50，可尝试提高至80-120，过滤弱边缘以减少噪声干扰。
• param2：针对HOUGH_GRADIENT_ALT模式，此参数代表圆的“完美度”阈值（范围0-1）。可在0.4-0.6之间微调，比如0.5，平衡检测的精度与召回率。
• minDist：当前设为20，若目标圆是图像中最大的圆，可增大该值（例如设为图像短边的1/4），避免检测到密集的小噪声圆。
• dp：当前为1.5，可调整为1.2，降低累加器分辨率，减少计算误差。

3. 自定义圆验证逻辑（匹配理想圆定义核心） #

若Hough变换直接检测效果不佳，可先生成候选圆，再用你定义的规则筛选最优圆：

1. 通过边缘检测（如Canny）或轮廓分析，获取可能的圆中心和半径范围。
2. 遍历候选圆，按规则计算符合条件的扇形占比，保留占比最高的圆。

示例代码片段：

def calculate_sector_ratio(gray_img, center, radius, threshold=15):
    sector_count = 3600
    valid_sectors = 0
    for angle in np.arange(0, 360, 0.1):
        # 计算扇形边缘端点
        rad = np.deg2rad(angle)
        x1 = int(center[0] + radius * np.cos(rad))
        y1 = int(center[1] + radius * np.sin(rad))
        rad_next = np.deg2rad(angle + 0.1)
        x2 = int(center[0] + radius * np.cos(rad_next))
        y2 = int(center[1] + radius * np.sin(rad_next))
        # 生成扇形掩码并提取像素
        mask = np.zeros_like(gray_img)
        cv2.fillPoly(mask, [np.array([center, (x1,y1), (x2,y2)], dtype=np.int32)], 255)
        sector_pixels = gray_img[mask == 255]
        if len(sector_pixels) > 0 and np.min(sector_pixels) < threshold:
            valid_sectors += 1
    return valid_sectors / sector_count

# 假设已有候选圆列表candidates = [(x,y,r), ...]
best_ratio = 0
best_circle = None
for (x,y,r) in candidates:
    ratio = calculate_sector_ratio(gray, (x,y), r)
    if ratio > best_ratio:
        best_ratio = ratio
        best_circle = (x,y,r)
# 绘制最优圆
if best_circle is not None:
    cv2.circle(img, (best_circle[0], best_circle[1]), best_circle[2], (0,255,0), 2)

4. 其他辅助优化 #

• 精准限制半径范围：根据理想圆的尺寸，缩小minRadius和maxRadius的取值区间，减少无效计算。
• 图像对比度增强：对灰度图做直方图均衡化（cv2.equalizeHist(gray)），让低灰度区域更突出。

内容的提问来源于stack exchange，提问作者Ethan