在工业检测、目标识别等场景中，从图像中精准查找圆形目标是高频需求。本文通过 OpenCV 的霍夫圆变换（HoughCircles），演示灰度图中圆的检测、提取与绘制全流程，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 1. 读取灰度图像并显示
src = cv.imread('.\image\12.bmp', 0)
if src is None:
print('could not load image')
exit()
cv.namedWindow('src', cv.WINDOW_NORMAL)
cv.resizeWindow('src', 600, 600)
cv.imshow('src', src)
# 2. 霍夫圆变换检测圆
circles = cv.HoughCircles(
src,
cv.HOUGH_GRADIENT,
dp=1, # 分辨率比例（1为原图分辨率）
minDist=300, # 圆心最小距离（避免重复检测）
param1=41, # Canny边缘检测高阈值
param2=40, # 检测阈值（越小检测越多，需调优）
minRadius=51, # 最小圆半径
maxRadius=100 # 最大圆半径
)
# 3. 创建纯白画布（可选，用于单独绘制圆）
circleimage = np.zeros((src.shape[0], src.shape[1]), np.uint8)
circleimage.fill(255)
# 4. 灰度图转彩色（用于绘制彩色圆）
color = cv.cvtColor(src, cv.COLOR_GRAY2BGR)
# 5. 绘制检测到的圆
if circles is not None: # 避免无圆时索引报错
circles = np.uint16(np.around(circles)) # 坐标/半径取整
for circle in circles[0, :]:
x, y, r = circle[0], circle[1], circle[2]
# 绘制圆形轮廓（红色，线宽5）
outimage = cv.circle(color, (x, y), r, (0, 0, 255), 5)
# 6. 显示结果
cv.namedWindow('circleimage', cv.WINDOW_NORMAL)
cv.resizeWindow('circleimage', 600, 600)
cv.imshow("circleimage", outimage)
cv.waitKeyEx(0)
cv.destroyAllWindows()关键知识点解析
1. 霍夫圆变换核心参数
| 参数 | 作用说明 | 调优技巧 |
|---|---|---|
dp |
累加器分辨率与图像分辨率的比值 | 固定为 1 即可，值越大检测速度越快但精度越低 |
minDist |
检测到的圆心之间的最小距离 | 小于此值的圆心会被视为同一个圆，需根据圆大小调整 |
param1 |
Canny 边缘检测的高阈值（低阈值为其 1/2） | 值越小边缘越多，易检测到杂圆；值越大漏检风险高 |
param2 |
圆心检测阈值 | 核心调优参数，值越小检测到的圆越多（含假圆），值越大仅检测高置信度圆 |
minRadius/maxRadius |
圆半径范围 | 限定检测半径，过滤无关大小的圆，大幅提升效率 |
2. 核心操作说明
- 输入要求 ：
HoughCircles仅支持灰度图输入，无需提前做边缘检测（内部自动调用 Canny）； - 坐标取整 ：检测到的圆心 / 半径为浮点数，需通过
np.around+np.uint16取整，避免绘制报错； - 空值判断 ：新增
if circles is not None，解决图像无圆时circles[0]索引异常问题； - 彩色绘制 ：灰度图转彩色（
COLOR_GRAY2BGR）后，可绘制彩色圆，视觉效果更直观。
3. 避坑与优化技巧
- 圆检测对噪声敏感：检测前可对图像做高斯滤波（
cv.GaussianBlur(src, (5,5), 0)），减少假圆； - 重复检测问题：调大
minDist，避免相邻圆被重复检测； - 漏检问题：降低
param2或param1，或放宽minRadius/maxRadius范围。
总结
- 霍夫圆变换核心是调优
param2（检测阈值）和minDist（圆心间距），是精准检测的关键； - 输入需为灰度图，检测后需对坐标 / 半径取整才能绘制；
- 预处理加高斯滤波可有效减少噪声导致的假圆检测。