如何在numpy零矩阵图像上绘制无多边形近似的实心圆并置1？

我懂你想要的效果——严格意义上的填充圆，每个像素只要落在数学定义的圆内就被设为1，而不是OpenCV的cv.circle用多边形折线模拟出来的“近似圆”。哪怕cv.circle(thickness=-1)是填充模式，它本质还是靠绘制大量短线段来模拟圆，边缘会有细微锯齿或者不符合圆的精确范围，尤其是当半径很小（比如你用的2像素）时，这种近似感会更明显。

解决方案：基于坐标网格的数学判断 #

核心思路是生成图像的全坐标网格，对每个像素计算它到圆心的距离，只要距离小于等于半径，就把该像素设为1。这种方法完全基于几何计算，没有任何近似，能得到你想要的“真正的圆”。

完整代码示例

import numpy as np

# 注意：np.zeros的形状参数需要是元组，你原来的写法少了括号
img = np.zeros((474, 474), dtype=np.uint8)  # 用uint8存储0/1，也可以用float64类型

# 定义你的目标圆心和固定半径
target_centers = [(100, 200), (150, 372)]
radius = 2

# 生成图像的坐标网格（y对应行，x对应列）
y_coords, x_coords = np.meshgrid(np.arange(img.shape[0]), np.arange(img.shape[1]), indexing='ij')

# 遍历每个圆心，标记圆内像素
for cx, cy in target_centers:
    # 用平方距离代替欧氏距离，避免开根号运算，大幅提升效率
    squared_dist = (x_coords - cx)**2 + (y_coords - cy)**2
    # 标记所有距离小于等于半径的像素为1
    img[squared_dist <= radius**2] = 1

为什么这个方法更可靠？ #

• 数学精确性：完全遵循圆的几何定义，只要像素满足(x-cx)² + (y-cy)² ≤ r²就会被标记，没有任何近似误差。
• 效率优异：用numpy的向量化运算处理整个图像，比逐像素循环快得多，474x474的图像能瞬间完成计算。
• 灵活扩展：可以轻松添加更多圆心、调整半径，或者修改填充的像素值，适配不同需求。

补充：关于OpenCV的cv.circle #

你之前用cv.circle达不到预期，是因为它的绘制逻辑是多边形逼近：根据半径计算出若干顶点，连接这些顶点形成闭合多边形后填充。这种方法在半径较大时视觉上像圆，但本质是折线构成的图形，无法做到数学上的精确圆。

内容的提问来源于stack exchange，提问作者Silver moon