使用cv2.HoughCircles检测小圆时误识别为环形图案的问题咨询

参考示例图 #

• 预处理后图片：
• 原始图片：

检测失效核心原因 #

• 未限制检测半径范围，算法默认优先匹配像素占比更高的环形大轮廓
• param1设置为300远高于灰度最大值255，Canny边缘检测环节失效，无法提取小圆边缘
• param2阈值设置过高，小圆的边缘投票数达不到阈值被过滤
• 第二次高斯模糊处理过度平滑了图像，小圆边缘特征被削弱，环形连续边缘特征被强化

具体调整方案 #

1. 修正边缘检测阈值：param1调整为80~120区间，保证Canny边缘检测正常生效
2. 降低累加器阈值：param2调整为15~30区间，适配小圆低投票特征
3. 固定半径检测范围：根据目标小圆实际尺寸设置minRadius和maxRadius，示例图中小圆半径约为2~8像素，可设置为minRadius=2、maxRadius=8，避免匹配大环形
4. 调整最小圆心距：将minDist从5调整为10，避免相邻小圆被误合并
5. 优化预处理流程：移除第二次高斯模糊操作，避免小圆边缘被过度平滑

调整后参考代码 #

import cv2 as cv

def circle_detection(frame):
    # 反转图像
    frame = 255 - frame
    # 高斯模糊降噪
    frame = cv.GaussianBlur(frame, (3,3), cv.BORDER_REFLECT)
    # 阈值分割去噪
    ret, frame = cv.threshold(frame, 130, 255, cv.THRESH_OTSU)
    
    # 调整霍夫圆检测参数
    circles = cv.HoughCircles(
        frame,
        cv.HOUGH_GRADIENT,
        dp=1,
        minDist=10,
        param1=100,
        param2=20,
        minRadius=2,
        maxRadius=8
    )
    return circles, frame

额外优化建议 #

如果调整参数后仍存在环形误检，可优先做连通域分析，过滤掉面积远大于单个小圆的连通域后再执行霍夫圆检测；也可以改用cv.findContours做轮廓检测，通过圆形度（轮廓面积与周长平方的比值）筛选小圆，对小尺寸圆形的检测稳定性优于霍夫变换。

内容的提问来源于stack exchange，提问作者Zara