Python OpenCV 霍夫圆检测（Hough Circle Transform）详解与实战

在机器视觉开发中，除了检测直线之外，圆形目标检测也是十分常见的需求，例如：

• 瓶盖检测
• 轴承检测
• 硬币识别
• 圆孔定位
• 医学图像分析
• 工业零件尺寸测量

OpenCV 提供了 霍夫圆变换（Hough Circle Transform），能够快速检测图像中的圆形目标。

本文将详细介绍霍夫圆检测原理、参数说明以及完整 Python 示例。

一、霍夫圆检测原理

现实中的圆可以由三个参数唯一确定：

• 圆心 $x$
• 圆心 $y$
• 半径 $r$

圆的数学公式：

$$(x-a{)}^2+(y-b{)}^2=r^2$$

其中：

• $(a,b)$ 为圆心
• $r$ 为半径

霍夫圆检测就是让图像中的边缘点不断进行“投票”，最终寻找票数最高的位置作为圆心。

由于直接计算三维参数空间（$x$、$y$、$r$）开销非常大，因此 OpenCV 使用了 霍夫梯度法（Hough Gradient），利用边缘梯度方向，大大提高了检测速度。

二、OpenCV 霍夫圆检测函数

OpenCV 使用：

circles = cv2.HoughCircles(
image,
method,
dp,
minDist,
param1,
param2,
minRadius,
maxRadius
)

参数说明

三、参数详解

1. dp

表示累加器分辨率。

例如：

• dp = 1：累加器大小与原图一致。
• dp = 2：检测速度更快，但精度略低。

一般推荐：1 或 1.2。

2. minDist

表示两个圆心之间允许的最小距离。

例如：

• minDist=100：如果两个圆距离小于 100 像素，只保留一个。

如果设置太小：容易重复检测同一个圆。
如果设置太大：可能漏掉相邻圆。

3. param1

这是 Canny 边缘检测的高阈值。

例如：

• param1=100

OpenCV 内部实际执行：

cv2.Canny(gray, 50, 100)

即：

• 低阈值 = param1 / 2
• 高阈值 = param1

4. param2

这是最重要的参数。

它表示：圆心累计投票阈值。

例如：

• param2=30：只有累计票数超过 30 才认为是真正的圆。

数值越小：检测更多，容易误检。
数值越大：检测更严格，容易漏检。

通常需要根据实际图像调整。

5. 半径范围

例如：

minRadius=20
maxRadius=80

表示：只检测 20~80 像素之间的圆。这样可以极大提高速度。

四、基础示例

import cv2
import numpy as np

# 读取图片
img = cv2.imread("circle.png")

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯滤波
gray = cv2.GaussianBlur(gray, (9, 9), 2)

# 霍夫圆检测
circles = cv2.HoughCircles(
gray,
cv2.HOUGH_GRADIENT,
dp=1,
minDist=50,
param1=100,
param2=30,
minRadius=10,
maxRadius=100
)

# 绘制检测结果
if circles is not None:
circles = np.uint16(np.around(circles))
for circle in circles[0]:
x, y, r = circle
# 绘制圆
cv2.circle(img, (x, y), r, (0, 255, 0), 2)
# 绘制圆心
cv2.circle(img, (x, y), 3, (0, 0, 255), –1)

cv2.imshow("Circle Detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、工业视觉中的完整流程

实际项目中，很少直接使用霍夫圆检测，而是按照如下流程：

通常会增加：

• ROI 裁剪
• 二值化
• 去噪
• 轮廓过滤

这样检测更加稳定。

六、参数调节技巧

假设：检测不到圆。

可以尝试：降低 param2

例如：

• 30 → 20 → 15

如果误检太多：

提高 param2

例如：

• 30 → 40 → 50

如果圆很多：

增加 minDist，避免重复检测。

如果已知圆大小：

一定要设置 minRadius 和 maxRadius，速度会提升很多。

七、实际案例：检测硬币

import cv2
import numpy as np

img = cv2.imread("coins.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (7, 7), 1.5)

circles = cv2.HoughCircles(
gray,
cv2.HOUGH_GRADIENT,
dp=1.2,
minDist=40,
param1=120,
param2=35,
minRadius=20,
maxRadius=80
)

if circles is not None:
circles = np.uint16(np.around(circles))
for x, y, r in circles[0]:
cv2.circle(img, (x, y), r, (0, 255, 0), 2)
cv2.putText(
img,
f"R={r}",
(x – 20, y – r – 10),
cv2.FONT_HERSHEY_SIMPLEX,
0.6,
(0, 0, 255),
2
)

cv2.imshow("Coins", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

八、霍夫圆检测优缺点

优点：

• 算法成熟，OpenCV 内置实现。
• 检测速度快，适合实时应用。
• 对轻微噪声具有一定鲁棒性。
• 能同时检测多个圆。

缺点：

• 对参数较敏感，需要根据场景调节。
• 对边缘质量要求较高，图像模糊时效果下降。
• 遮挡严重或圆形不完整时容易漏检。
• 光照变化较大时，需要结合滤波和预处理。

九、总结

霍夫圆检测是 OpenCV 中经典且实用的圆形目标检测算法，广泛应用于工业检测、医学图像和智能视觉等领域。实际工程中，通常会先进行灰度化、滤波、ROI 裁剪等预处理，再结合霍夫圆检测实现稳定识别。通过合理设置 dp、minDist、param1、param2 以及圆半径范围，可以在检测速度与准确率之间取得良好的平衡。

对于工业视觉项目，霍夫圆检测通常作为目标定位的第一步，后续可结合亚像素拟合、尺寸测量、模板匹配等算法，进一步提升检测精度和系统鲁棒性。