Python-OpenCV下被遮挡球体的轮廓补全方案问询

一、弧段拟合补全圆形的可行实现 #

针对遮挡后的球体弧段，可通过提取有效弧段+拟合圆参数的方式补全完整轮廓，具体步骤如下：

1. 预处理强化弧段特征
   先做灰度转换，用自适应阈值分割区分弧段与背景，再通过形态学操作去除小噪声：

   import cv2
   import numpy as np
   
   img = cv2.imread("sphere_img.jpg")
   gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
   # 自适应阈值分割，适配局部光照
   thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
   # 开运算去除小噪点，保留连续弧段
   kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
   cleaned = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
   

2. 筛选有效弧段轮廓
   提取轮廓后，通过圆度（弧长平方与面积的比值）筛选近似圆弧的片段（完整圆的圆度接近4π，弧段会稍低但远高于不规则噪声）：

   contours, _ = cv2.findContours(cleaned, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   valid_points = []
   for cnt in contours:
       area = cv2.contourArea(cnt)
       if area < 20:  # 过滤极小噪声轮廓
           continue
       perimeter = cv2.arcLength(cnt, closed=False)
       circularity = (4 * np.pi * area) / (perimeter ** 2)
       # 弧段的圆度通常在0.6~1.0之间（可根据实际场景调整）
       if 0.6 < circularity < 1.0:
           valid_points.extend(cnt.reshape(-1, 2).tolist())
   

3. 拟合圆参数并补全轮廓
   将收集到的弧段点用最小二乘法拟合圆的圆心和半径，再绘制完整圆形：

   def fit_circle(points):
       points = np.array(points, dtype=np.float32)
       x, y = points[:, 0], points[:, 1]
       A = np.vstack([x, y, np.ones(len(x))]).T
       B = x**2 + y**2
       a, b, c = np.linalg.lstsq(A, B, rcond=None)[0]
       center = (a/2, b/2)
       radius = np.sqrt((a**2 + b**2)/4 + c)
       return center, radius
   
   if valid_points:
       center, radius = fit_circle(valid_points)
       # 绘制补全后的圆形轮廓
       cv2.circle(img, (int(center[0]), int(center[1])), int(radius), (0, 255, 0), 2)
       cv2.imshow("Completed Sphere", img)
       cv2.waitKey(0)
   

二、结合固定球体特性的更优方案 #

由于球体位置固定，可利用这一先验信息大幅提升检测鲁棒性：

• 限定ROI检测范围
  提前标记球体所在的大致区域，仅在该区域内处理，减少无关噪声干扰：

  # 假设球体在(x1,y1)-(x2,y2)范围内
  roi_gray = gray[y1:y2, x1:x2]
  # 后续阈值分割、轮廓提取仅针对ROI处理
  

• 带约束的霍夫圆检测
  用cv2.HoughCircles时，限定圆心在预设区间、半径为球体实际尺寸范围，同时降低param2阈值（适配弧段较少的情况）：

  circles = cv2.HoughCircles(roi_gray, cv2.HOUGH_GRADIENT, dp=1.2, minDist=50,
                             param1=50, param2=20,  # param2调小，允许更少弧段匹配
                             minRadius=90, maxRadius=110)  # 设为球体实际半径范围
  if circles is not None:
       circles = np.uint16(np.around(circles))
       for i in circles[0, :]:
           # 转换回原图坐标
           cv2.circle(img, (i[0]+x1, i[1]+y1), i[2], (0,0,255), 2)
  

• 多帧融合（视频场景）
  若处理视频流，可将多帧中检测到的有效弧段点累加，再拟合圆，利用不同帧的遮挡差异提升拟合精度。

三、预处理的关键优化 #

针对噪声问题，可通过以下方式增强弧段辨识度：

• CLAHE光照补偿：用限制对比度自适应直方图均衡化，平衡局部光照，提升弧段与背景的对比度：

  clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
  enhanced_gray = clahe.apply(gray)
  

• 自适应Canny边缘检测：根据ROI内的灰度均值动态调整Canny阈值，适配不同光照下的边缘提取：

  mean_gray = np.mean(enhanced_gray)
  edges = cv2.Canny(enhanced_gray, mean_gray*0.4, mean_gray*1.6)
  

内容的提问来源于stack exchange，提问作者Klaidon