圆形识别（圆检测）是图像识别中很常见的一种处理方式，最核心的是cv2.HoughCircles这个函数实现的圆形检测。当然还有一些其他的处理过程，以下详述：

1 读入图像

首先需要读取一个图像文件，将其作为一个变量

img = cv2.imread("save1.jpg", 0)     # 0或者cv2.IMREAD_GRAYSCALE  读取为灰度图像img2 = cv2.imread("save1.jpg", 1)     # 1或者cv2.IMREAD_COLOR 读取为为彩色图像

img是一个ndarray，2维结构，包含的是灰度化后的图像信息
img2是一个ndarray，3维结构，包含的是RGB彩色图像信息，比img2多出一个色彩维度
如下图，img2是3个方括号“[”

2 图像预处理

可以对图像进行裁切，滤波等处理，当然不处理也可以直接用，以下展示一下：

裁切

size = 400x1 = 560y1 = 200x2 = x1+sizey2 = y1+sizecut = img[y1:y2, x1:x2]

滤波加二值化

numpy_img = cv2.adaptiveThreshold(cut, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 15)   # 自动阈值二值化

显示中间处理过程

有时候我们需要直观的看到中间处理过程的图像样貌，可以随时显示

cv2.imshow("img", img)cv2.imshow("cut", cut)cv2.imshow("numpy_img", numpy_img)cv2.waiTKEy(0)

注意imshow函数，第一个参数是要显示的窗口的标题，不得用中文和中文标点，必须全英文，否则会乱码，第2个参数是待显示的图像变量
最后一行可以没有，如果有的话，程序会在此等待，直到有按键动作，程序才继续往后运行。这对我们调试比较有用。

3 圆形识别

#                          圆心距 canny阈值    投票数      最小半径       最大半径circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 170,   param1=100, param2=60,  minRadius=60, maxRadius=90)

大概讲一下重要的几个参数，参数与实际的图像尺寸相关，不是一个参数用所有的图
圆心距：170 圆心距小于此值的圆不检测，以减小计算量
canny阈值：图像二值化的参数，根据实际情况调整
投票数：一个圆需要至少包含多少个点，才认为这是一个圆
最小半径，最大半径：在此值之间的圆才是需要的圆，超过范围不检测，以减小计算量
检测完的结果保存在circles 中
可以自己调整参数以观察结果

4 显示检测结果

没啥好说的，代码很简单，就是对于每个结果画出圆和圆心

arr1 = np.zeros([0, 2], dtype=int)                      # 创建一个0行, 2列的空数组if circles is not None:    circles = np.uint16(np.around(circles))   # 4舍5入, 然后转为uint16    for i in circles[0, :]:        arr1 = np.append(arr1, (i[0], i[1]))            # arr1是圆心坐标的np数组        # print(arr1)        cv2.circle(img2, (i[0], i[1]), i[2], (0, 0, 255), 3)  # 轮廓        cv2.circle(img2, (i[0], i[1]), 2, (0, 0, 0), 6)     # 圆心

5 完整代码和示例图像

可以在这里下载：示例代码下载

来源地址：https://blog.csdn.net/13011803189/article/details/129021761