基于周长与面积的简单圆形Circularity计算异常问题排查

问题背景 #

Circularity用于衡量形状与圆形的相似度，标准公式为：

Sample Circularity = (4 * π * Sample Area) / (Sample Perimeter²)
完美圆形的该值为1，偏离圆形则小于1。

但使用Python+OpenCV计算自行生成的理想圆形时，结果始终为1.11；若将周长替换为len(cnt[0])，结果为0.81，均不符合预期。

用户的计算代码：

import cv2
import math

Gray_image = cv2.imread(Input_Path, cv2.IMREAD_GRAYSCALE)
cnt , her = cv2.findContours(Gray_image, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
Perimeter = cv2.arcLength(cnt[0], True)
Area = cv2.contourArea(cnt[0])

# 公式写反
Circularity = math.pow(Perimeter, 2) / (4 * math.pi * Area)
print(round(Circularity , 2))

测试用圆形生成代码：

import cv2
import numpy as np

Fill_Circle = np.zeros((1000, 1000, 3))
cv2.circle(Fill_Circle, (500, 500), 450, (255, 255, 255), -1)

cv2.imwrite(Path_to_Save, Fill_Circle)

问题原因 #

1. 公式完全写反：用户代码中计算的是Perimeter²/(4π*Area)，和标准定义的(4π*Area)/Perimeter²互为倒数。完美圆的理论值代入该错误公式会得到1，但实际因像素离散性，结果接近1的倒数（1.11）。
2. 像素轮廓的离散性：OpenCV生成的圆形是像素级的近似多边形，并非数学上的完美圆。cv2.arcLength计算的是离散轮廓的近似周长，cv2.contourArea计算的是轮廓包围的像素面积，两者都存在微小误差。
3. 错误的周长计算方式：用len(cnt[0])作为周长完全错误——轮廓点数量不等于实际周长，相邻轮廓点的距离可能是1（水平/垂直）或√2（对角线），直接用点数计算会严重低估实际周长。

解决方案 #

1. 修正Circularity计算公式：改为符合标准定义的形式：

Circularity = (4 * math.pi * Area) / (Perimeter ** 2)

2. 接受像素级误差：即使修正公式，结果也会接近1但并非严格1（比如约0.99），这是像素离散化导致的正常误差，属于可接受范围。
3. 优化测试图像生成：直接生成单通道灰度图，避免通道转换的潜在问题：

import cv2
import numpy as np

# 直接生成单通道灰度图
Fill_Circle = np.zeros((1000, 1000), dtype=np.uint8)
cv2.circle(Fill_Circle, (500, 500), 450, 255, -1)

cv2.imwrite(Path_to_Save, Fill_Circle)

验证结果 #

修正公式后，运行代码得到的Circularity值会接近1（比如0.99），符合近似完美圆的预期结果。

内容的提问来源于stack exchange，提问作者Aref Shaker