cv2.HoughCircles圆检测失效问题及优化方案咨询

预处理环节优化 #

• 先做灰度反转：把黑圆灰背景转为白圆黑背景，更适配霍夫圆的检测逻辑，代码写cv2.bitwise_not(gray)即可
• 增加降噪步骤：用高斯模糊cv2.GaussianBlur(gray, (5,5), 0)或者中值滤波cv2.medianBlur(gray, 5)，先压制背景噪点，避免阈值分割出多余边缘
• 切换固定阈值+Otsu自动阈值：如果自适应阈值效果不佳，试试_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)，反转阈值刚好把黑圆转为高亮前景

霍夫圆参数精细化调优 #

• 调整dp值：默认1，改成1.2-1.5，提升累加器分辨率，更容易捕捉圆的特征
• 设准minDist：这个值要大于目标圆直径的1.5倍，比如圆直径为30，就设minDist = 45，防止检测出重复干扰圆
• 优化param1和param2：param1设为30-50（Canny低阈值会自动取其一半）；param2从20开始逐步调整，数值越低检测到的圆越多，越高越精准，直到匹配目标黑圆
• 限制半径范围：如果知道目标圆的大致半径，直接设置minRadius和maxRadius，比如minRadius=25, maxRadius=35，过滤无关的小噪点或大轮廓

轮廓拟合兜底方案 #

如果霍夫圆始终不准，换用轮廓拟合圆的方式：

# 提取轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓拟合圆
for cnt in contours:
    # 过滤过小的轮廓（根据实际场景调整阈值）
    if cv2.contourArea(cnt) > 500:
        (x,y), radius = cv2.minEnclosingCircle(cnt)
        center = (int(x), int(y))
        radius = int(radius)
        # 绘制拟合圆
        cv2.circle(img, center, radius, (0,255,0), 2)

这种方式依赖轮廓完整性拟合，对边缘清晰的黑圆适配性更强

内容的提问来源于stack exchange，提问作者l.geulig