如何在含噪声图像中通过OpenCV HoughCircles准确检测圆形

预处理流程修正 #

你当前的预处理逻辑有明显问题，直接调整：

• 高斯模糊不要放在直方图均衡化后面，先模糊压噪声再做均衡化，不然均衡化会把噪声一起放大，直接干扰霍夫圆依赖的边缘检测结果。针对半径50-60像素的目标，模糊核用(7,7)、sigma取1.5-2就够，核太大会把圆边缘糊没。
• 检测结果不要画在均衡化后的图上，均衡化会改变原图灰度，可视化校验的时候在裁剪后的原图上画，避免判断失误。
• 正式跑检测前，先用cv2.Canny对预处理后的图提一次边缘，确认目标圆的边缘是连续、没有被噪声打断的，要是边缘都碎成一段段的，先调预处理参数，别着急改霍夫圆的参数。

参数修正（针对你当前的检测目标） #

你现在用的参数错了好几个，按下面的逻辑改：

• minDist=6完全不合理：这个参数是两个有效圆心之间的最小间隔，你的目标圆半径都到50-60了，设6会导致同一个圆周围冒出一堆重复的假检测结果，直接改成70左右，和你设的最小半径匹配就行。
• param2=200太高：这个是霍夫空间的累加器阈值，值越高要求构成圆的边缘点投票数越多才会被判定为有效圆，200的阈值对于边缘不是绝对锐利的实际图像太容易漏检，先从30开始往上加，每次加5，直到假圆消失就停，一般这类图40左右就够用。
• param1=150偏高：这个是内部调用Canny边缘检测的高阈值，低阈值默认是它的一半，150会把圆上的弱边缘直接滤掉，导致投票数不够漏检，降到70-90区间试。
• dp=1.1问题不大，追求精度就设成1，想提速可以升到1.5。
• 半径范围别拍脑袋设，先手动在图上量一下目标圆的实际像素半径，上下留3-5像素余量就行，范围设太宽很容易把背景里的类圆结构误检出来。

改完的参考代码：

# 预处理顺序调整：先裁剪 -> 高斯模糊 -> 直方图均衡化
blur = cv2.GaussianBlur(cropped_original_img, (7, 7), 1.8)
eq = cv2.equalizeHist(blur)

detected_circles = cv2.HoughCircles(
    eq,
    cv2.HOUGH_GRADIENT,
    dp=1,
    minDist=70,
    param1=80,
    param2=40,
    minRadius=48,
    maxRadius=62
)

# 结果画在原图副本上
show_img = cropped_original_img.copy()
if detected_circles is not None:
    detected_circles = np.uint16(np.around(detected_circles))
    for pt in detected_circles[0, :]:
        x, y, r = pt
        # 画圆轮廓
        cv2.circle(show_img, (x, y), r, (0, 255, 0), 2)
        # 画圆心方便校验位置
        cv2.circle(show_img, (x, y), 2, (255, 0, 0), 3)

plt.rc('figure', figsize=(10, 10))
plt.imshow(show_img, cmap='gray')
plt.show()

备选方案 #

如果霍夫圆调参始终达不到预期，可以换轮廓拟合的方案，抗噪声能力更强：

1. 预处理后用大津法做二值化
2. 用cv2.findContours提取所有轮廓
3. 对每个轮廓用cv2.minEnclosingCircle做圆拟合
4. 计算轮廓实际面积和拟合圆面积的比值，比值在0.85-1.15区间的判定为有效圆形目标。

内容的提问来源于stack exchange，提问作者Bernardo Cecchetto