基于OpenCV去除光斑噪声并检测圆形的技术求助

问题梳理 #

你尝试用OpenCV检测光斑图像中的圆形，经过阈值、模糊等预处理后，使用HoughCircles调参许久仍无法成功检测，需要明确HoughCircles的使用要点，或寻找更优的替代方案。

一、先修复代码中的明显错误 #

你的代码存在两处关键问题，会直接导致检测结果无法正常展示甚至报错：

1. 绘制目标错误：不能直接在circles检测结果数组上绘制圆形，应该基于原图或彩色版图像进行绘制。
2. 未做空值判断：当HoughCircles未检测到圆形时，circles会是None，直接调用circles[0,:]会触发报错。

修复后的代码片段：

import cv2 as cv 
import numpy as np 

img = cv.imread('image.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"

# 预处理步骤（后续可优化）
img_blur = cv.medianBlur(img, 5)  # 缩小中值模糊核，保留边缘
image = cv.adaptiveThreshold(img_blur,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,
            cv.THRESH_BINARY,15,2)  # 调小blockSize，适配光斑亮度
blur = cv.blur(image,(3,3))

# HoughCircles检测
circles = cv.HoughCircles(blur,cv.HOUGH_GRADIENT,dp=1.2,minDist=50,
                            param1=30,param2=20,minRadius=20,maxRadius=60)

# 绘制检测结果
img_color = cv.cvtColor(img, cv.COLOR_GRAY2BGR)  # 转彩色图用于绘制
if circles is not None:
    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        # 画外圆
        cv.circle(img_color,(i[0],i[1]),i[2],(0,255,0),2)
        # 画圆心
        cv.circle(img_color,(i[0],i[1]),2,(0,0,255),3)
    cv.imshow('Objects Detected',img_color)
else:
    cv.imshow('Objects Detected', blur)

cv.waitKey(0)
cv.destroyAllWindows()

二、HoughCircles的核心调参要点 #

HoughCircles对预处理和参数敏感度很高，针对光斑场景，重点调整以下参数：

• 预处理优化：
  • 中值模糊核不要过大（比如你之前用33会直接磨掉光斑边缘），建议用5-9的核，保留足够边缘信息。
  • 自适应阈值的blockSize要匹配光斑尺寸，过大的话会丢失小光斑的细节，建议15-21之间调整；C值控制阈值偏移，可在1-5之间微调。
• HoughCircles参数：
  • dp：累加器分辨率与图像分辨率的反比，设为1.2可提升检测精度。
  • minDist：两个圆心的最小距离，根据光斑实际间距设置，避免重复检测。
  • param1：Canny边缘检测的高阈值，光斑边缘较弱，建议降到20-40之间。
  • param2：累加器阈值，数值越低检测到的圆越多，过高会漏检，建议15-25之间。
  • minRadius/maxRadius：根据光斑实际像素半径设置范围，过滤无关尺寸的圆。

三、替代HoughCircles的更优方案 #

如果HoughCircles始终达不到预期，以下两种方法更适合光斑类圆形检测：

1. 轮廓检测+圆形拟合 #

通过提取二值图像的轮廓，筛选圆形度高的轮廓并拟合圆形：

import cv2 as cv
import numpy as np

img = cv.imread('image.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read"

# 预处理
img_blur = cv.GaussianBlur(img, (5,5), 0)
_, binary = cv.threshold(img_blur, 0, 255, cv.THRESH_BINARY+cv.THRESH_OTSU)  # 用OTSU自动阈值

# 提取轮廓
contours, _ = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
img_color = cv.cvtColor(img, cv.COLOR_GRAY2BGR)

for cnt in contours:
    area = cv.contourArea(cnt)
    if area < 100 or area > 10000:  # 过滤噪声和过大轮廓
        continue
    # 拟合最小外接圆
    (x,y), radius = cv.minEnclosingCircle(cnt)
    center = (int(x), int(y))
    radius = int(radius)
    # 计算圆形度（越接近1越圆）
    perimeter = cv.arcLength(cnt, True)
    circularity = 4 * np.pi * (area / (perimeter **2)) if perimeter >0 else 0
    if circularity > 0.7:  # 筛选圆形轮廓
        cv.circle(img_color, center, radius, (0,255,0), 2)
        cv.circle(img_color, center, 2, (0,0,255), 3)

cv.imshow('Contour-based Circle Detection', img_color)
cv.waitKey(0)
cv.destroyAllWindows()

2. SimpleBlobDetector光斑检测 #

OpenCV的SimpleBlobDetector专门针对Blob（光斑、圆点）检测，配置参数后可高效筛选圆形光斑：

import cv2 as cv
import numpy as np

img = cv.imread('image.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read"

# 配置Blob检测器参数
params = cv.SimpleBlobDetector_Params()
# 过滤面积范围
params.filterByArea = True
params.minArea = 100
params.maxArea = 10000
# 过滤圆形度（0-1，1为完美圆形）
params.filterByCircularity = True
params.minCircularity = 0.7
# 过滤凸度（0-1，1为完美凸形）
params.filterByConvexity = True
params.minConvexity = 0.8
# 过滤惯性比（圆形的惯性比接近1）
params.filterByInertia = True
params.minInertiaRatio = 0.7

# 创建检测器并检测
detector = cv.SimpleBlobDetector_create(params)
keypoints = detector.detect(img)

# 绘制检测结果（带半径的圆点）
img_color = cv.cvtColor(img, cv.COLOR_GRAY2BGR)
cv.drawKeypoints(img_color, keypoints, img_color, (0,255,0), 
                 cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

cv.imshow('Blob Detection', img_color)
cv.waitKey(0)
cv.destroyAllWindows()

总结 #

优先修复代码错误并调整HoughCircles的预处理和参数；如果效果仍不理想，SimpleBlobDetector是光斑检测的最优选择，无需复杂调参即可达到不错的准确率。

内容的提问来源于stack exchange，提问作者AS11