CV2中求轮廓最小外接圆的反向操作：最大内接圆求解与缺陷检测

OpenCV没有内置cv2.minEnclosingCircle对应的反向接口，但是可以通过距离变换快速实现最大内接圆计算，步骤如下：

• 生成轮廓区域的二值掩码：创建和输入图像同尺寸的单通道黑图，调用cv2.drawContours将目标轮廓内部填充为白色，得到掩码图。
• 执行距离变换：调用cv2.distanceTransform对掩码图做距离计算，输出结果中每个像素的取值为该点到最近的轮廓边缘的距离。
• 提取最大内接圆参数：调用cv2.minMaxLoc找到距离变换结果中的最大值，对应的坐标就是内接圆圆心，最大值本身就是内接圆半径。

参考代码：

import numpy as np
import cv2

# 假设已提前读取灰度图gray，已检测得到目标轮廓contour
# 生成轮廓填充掩码
mask = np.zeros_like(gray, dtype=np.uint8)
cv2.drawContours(mask, [contour], -1, 255, cv2.FILLED)
# 距离变换
dist_res = cv2.distanceTransform(mask, cv2.DIST_L2, 3)
# 获取最大内接圆参数
_, max_radius, _, center = cv2.minMaxLoc(dist_res)
# 绘制验证：cv2.circle(img, (int(center[0]), int(center[1])), int(max_radius), (0,255,0), 2)

不需要计算内接圆也可以快速定位不圆的异常区域，利用你已经得到的最小外接圆参数即可实现，逻辑更简单：最小外接圆上所有边界点到圆心的距离都是外接圆半径，原轮廓上和外接圆半径差值超过阈值的区域就是缺陷区域。
实现步骤：

• 提取cv2.minEnclosingCircle返回的圆心坐标(cx, cy)和半径r
• 遍历轮廓上的所有点，计算每个点到圆心的欧氏距离
• 筛选出距离和r差值超过预设阈值的点，聚类后即可得到缺陷的坐标范围

参考代码：

(cx, cy), r = cv2.minEnclosingCircle(contour)
defect_points = []
# 阈值可根据实际图像分辨率、精度要求调整
threshold = 3
for pt in contour:
    x, y = pt[0]
    dist = np.sqrt((x - cx)**2 + (y - cy)**2)
    # 右上角凹陷类缺陷满足dist < r - threshold的判定条件，直接筛选即可
    if dist < r - threshold:
        defect_points.append((x, y))

如果需要更精准的缺陷范围，可对筛选出的defect_points做最小外接矩形计算，直接得到缺陷的bounding box。

内容的提问来源于stack exchange，提问作者Matthias