霍夫圆检测原理及使用案例（带调参过程）

霍夫圆检测原理及使用案例（带调参过程）

引用

CSDN

1.

https://m.blog.csdn.net/qq_49110168/article/details/144374740

霍夫圆检测是一种在图像中检测圆形目标的有效方法，广泛应用于工业检测和机器视觉等领域。本文将详细介绍霍夫圆检测的原理，并通过Python和OpenCV库实现圆形目标的检测，同时提供具体的调参过程和实例。

1 霍夫圆检测原理

1.1 检测原理

圆的解析方程为：(x - a)^2 + (y - b)^2 = r^2，其中参数空间为(a, b, r)，(a, b)表示圆心坐标，r表示半径。

具体步骤如下：

1. 边缘检测：对输入图像进行边缘检测，常用的方法有Canny算子、Sobel算子等，得到二值化的边缘图像，边缘点像素值为1，非边缘点像素值为0。

2. 计算梯度：对边缘图像计算梯度幅值和方向，梯度幅值反映边缘强度，梯度方向指向圆心。

3. 参数空间投票：对每个边缘点(x, y)，根据其梯度方向和预设的半径范围，计算可能的圆心坐标(a, b)，将(a, b, r)对应的参数空间的累加器加1，表示一次投票。

4. 查找局部最大值：在参数空间的累加器中查找局部最大值，超过设定阈值的局部最大值对应检测到的圆，局部最大值的坐标(a, b, r)即为检测到的圆的参数。

5. 圆心和半径的确定：对于每个检测到的圆，以(a, b)为圆心，r为半径，在原图像上绘制圆。

1.2 函数参数解释

circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, minDist=20, param1=70, param2=50, minRadius=20, maxRadius=80)

• GrayImage：输入图像，单通道、灰度图像。
• cv2.HOUGH_GRADIENT：表示使用梯度信息进行圆检测。
• dp：累加器分辨率与图像分辨率的反比。dp = 1 时，累加器的分辨率与图像分辨率相同；dp = 2 时，累加器的宽高都被减半。通常设置为 1 或 2。调整建议：增大 dp 可以减少计算量，但可能导致漏检；减小 dp 可以提高检测精度，但计算量增加。
• minDist：检测到的圆心之间的最小距离。如果两个圆心之间的距离小于该值，则认为它们是同一个圆。调整建议：根据圆之间的实际距离设置。增大 minDist 可以避免重复检测，但可能漏检一些圆；减小 minDist 可以检测更多的圆，但可能出现重复检测。
• param1：Canny 边缘检测的高阈值，低阈值是高阈值的一半。调整建议：增大 param1 可以减少边缘点数，提高检测速度，但可能漏检一些圆；减小 param1 可以增加边缘点数，提高检测准确性，但速度变慢。
• param2：累加器的阈值。一个圆对应的累加器值超过该阈值时，才被认为是真正的圆。调整建议：增大 param2 可以提高检测精度，但可能漏检一些圆；减小 param2 可以检测更多的圆，但可能出现误检。
• minRadius：圆的最小半径。调整建议：根据待检测圆的实际最小尺寸设置。
• maxRadius：圆的最大半径。调整建议：根据待检测圆的实际最大尺寸设置。

2 使用案例

2.1 调参顺序

• 先调整 dp 和 minDist，使检测到的圆的数量和位置大致正确。
• 调整 param1 和 param2，使检测结果更加准确，同时尽量避免漏检和误检。
• 最后根据实际需求调整 minRadius 和 maxRadius，限定检测圆的大小范围。

2.2 调参实例

2.2.1 原始代码

原始图像如下所示：

原始代码如下：

import cv2
import numpy as np
import time
if __name__ == "__main__":
    img=cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    t1=time.time()
    GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, 40, param1=70, param2=30, minRadius=0,maxRadius=0)
    t2=time.time()
    print("运行时间：",t2-t1)
    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        x,y,r=i[0],i[1],i[2]
        #draw the outer circle
        cv2.circle(img,(x,y),r,(0,255,0),2)
        cv2.circle(img,(x,y),2,(0,0,255),3)
    cv2.imshow("img",img)
    cv2.waitKey()

2.2.2 初步调参

调整内容：

• 加入均值滤波
• minDist改为20（根据圆之间的实际距离设置。）
• param2改为50（提高检测精度，避免误检）
• minRadius改为20，maxRadius改为80（根据待检测圆的实际最小、最大尺寸设置。）

代码如下：

import cv2
import numpy as np
import time
if __name__ == "__main__":
   
    image = cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    t1 = time.time()
    GrayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    GrayImage = cv2.blur(GrayImage, (7, 7))  # 均值滤波 滤除背景噪声
    circles = cv2.HoughCircles(GrayImage, cv2.HOUGH_GRADIENT, 1, minDist=20, param1=70, param2=50, minRadius=20, maxRadius=80)
    t2 = time.time()
    print("运行时间：", t2 - t1)  # 只统计霍夫圆检测时间
    # 这里进行圆绘制
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        x, y, r = i[0], i[1], i[2]
        # draw the outer circle
        cv2.circle(image, (x, y), r, (0, 255, 0), 2)
        cv2.circle(image, (x, y), 2, (0, 0, 255), 3)
    cv2.imshow("img1", image)
    cv2.waitKey()  

2.2.3 最终调参

调整内容：

• 加入均值滤波
• minDist改为70（根据圆之间的实际距离设置。）
• param2改为40（提高检测精度，避免误检）
• minRadius改为30，maxRadius改为60（根据待检测圆的实际最小、最大尺寸设置。）

代码如下：

import cv2
import numpy as np
import time
def hough_circle_detection(image_path):
    # 读取图像
    # img = cv2.imread(image_path)
    img= cv2.imread(r'C:\Users\Admin\Desktop\xiangmu\222222.png')
    # 图像缩放
    # img = cv2.resize(img, None, fx=1, fy=1)
    # 转换为灰度图像
    gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 均值滤波以减少噪声
    gray_image = cv2.blur(gray_image, (9,9))
    # 霍夫圆检测
    t1 = time.time()
    circles = cv2.HoughCircles(
        gray_image,
        cv2.HOUGH_GRADIENT,
        dp=1,
        minDist=70,       # 设置最小圆心距离
        param1=70,        # Canny 边缘检测的高阈值
        param2=40,        # 圆心检测的阈值
        minRadius=30,     # 最小半径
        maxRadius=60      # 最大半径
    )
    t2 = time.time()
    print("运行时间：", t2 - t1)
    # 绘制检测到的圆
    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            x, y, r = i[0], i[1], i[2]
            # 绘制外圆
            cv2.circle(img, (x, y), r, (0, 255, 0), 2)
            # 绘制圆心
            cv2.circle(img, (x, y), 2, (0, 0, 255), 3)
    # 显示结果
    cv2.imshow("Detected Circles", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
if __name__ == "__main__":
    hough_circle_detection("test.png")  # 替换为你的图像路径

运行结果如下：