示例代码

import cv2
import numpy as np# 加载图像
image_path = 'DistanceComparison/test_image/1.png'
image = cv2.imread(image_path, cv2.IMREAD_COLOR)# 将图像转换为灰度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用高斯模糊消除噪声
# gray_blurred = cv2.GaussianBlur(gray, (9, 9), 2)# 应用霍夫变换进行圆检测
circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT, dp=1, minDist=40, param1=40, param2=3,  minRadius=12, maxRadius=20)# 如果找到了圆，输出圆的信息
if circles is not None:circles = np.uint16(np.around(circles))for i in circles[0, :]:# 绘制圆心cv2.circle(image, (i[0], i[1]), 1, (0, 100, 100), 3)# 绘制圆轮廓cv2.circle(image, (i[0], i[1]), i[2], (255, 0, 255), 2)cv2.imwrite("DistanceComparison/out_image/1.png", image)

示例结果

图1：检测到的圆（粉色表示）

调参

如果你没有得到预期的结果，你可以尝试调整一些参数来优化圆的检测。以下是一些常用的参数和调整方法：

1. param1和param2：这两个参数是Canny边缘检测的阈值。增加param1可以减少检测到的圆的数量，增加param2可以过滤掉较弱的圆。你可以尝试不同的值来找到适合你图像的阈值。

2. minRadius和maxRadius：这两个参数用于指定允许检测到的圆的最小和最大半径。如果你知道圆的大致大小范围，可以设置这两个参数来限制检测的范围。

3. dp参数：这个参数是霍夫梯度法的累加器分辨率与图像分辨率的反比。较小的值可以提高检测的精度，但可能会增加计算时间。较大的值可以加快计算速度，但可能会降低检测的精度。你可以尝试不同的值来平衡速度和精度。

4. 图像预处理：在进行Hough变换之前，你可以尝试进行一些图像预处理操作，例如调整对比度、直方图均衡化、图像增强等，以提高圆的检测效果。

5. 图像尺寸：如果图像尺寸过大，可以考虑将图像缩小到适当的尺寸，以加快计算速度。

尝试调整这些参数，并根据你的具体图像和需求进行优化。记住，在调整参数时，可以通过显示中间结果来观察效果，例如显示Canny边缘检测结果、显示霍夫累加器等。这样可以帮助你更好地理解参数对结果的影响，并进行调整。