企业官网建设流程全解析

前面已经做了图片清晰度检测、图像差异检测、主色提取、自动纠偏、Canny 边缘检测和轮廓检测，这次继续做一个同样比较轻量的 OpenCV 小工具：

圆形检测。

有些场景里，我们不只是想知道图片中有没有边缘或者轮廓，而是想进一步判断：

图片里到底有几个圆？圆心在哪里？半径是多少？

所以这次我用华为云码道辅助开发了一个基于 OpenCV 的：

Hough Circle Detector

上传图片以后，程序会自动寻找圆形，并把检测结果直接绘制在原图上。

一、这个工具能做什么？

目前功能比较简单：

• 上传 JPG / PNG 图片
• 使用 OpenCV 自动检测圆
• 在图片中绘制检测圆
• 标出圆心
• 显示 Circle Count
• 显示每个圆的 Center X / Center Y
• 显示 Radius
• 支持设置 Min Radius / Max Radius
• 支持下载检测结果图

整体流程：

上传图片
↓
图像预处理
↓
HoughCircles
↓
检测圆心和半径
↓
绘制圆形
↓
显示检测结果

二、为什么检测圆不用 findContours？

上一篇轮廓检测中，我使用的是：

cv2.findContours()

它比较适合寻找：

闭合区域
物体轮廓
前景区域

但如果目标非常明确，就是：

寻找圆形

那 OpenCV 还有一个更加直接的方法：

cv2.HoughCircles()

它是基于霍夫变换思想专门寻找圆形结构的方法。

最终可以直接得到：

圆心 X
圆心 Y
半径 Radius

所以对于硬币、圆形按钮、圆孔等场景，会比单纯从轮廓里判断“像不像圆”更直接。

三、HoughCircles 的基本流程

这次检测过程可以简单理解成：

原始图片
↓
灰度化
↓
Gaussian Blur
↓
Hough Circle Transform
↓
筛选圆形
↓
输出圆心和半径

其中 Gaussian Blur 主要用于减少图片中的一些细小噪声。

如果直接对复杂边缘进行圆检测，可能会产生很多错误结果。

先做适度平滑，可以让圆的主要边缘更加稳定。

四、这次准备了 5 个不同大小的圆

为了让结果更加直观，这次没有继续使用狗狗自然图片，而是专门准备了一张白色背景测试图。

图片中一共有五个不同大小的圆：

红色圆
蓝色圆
绿色圆
黄色圆
紫色圆

这种图片比较适合验证：

Circle Count
圆心位置
半径大小

是否正确。

五、一开始最大红圆还检测错了

第一次运行的时候，其实出现了一个小问题。

页面设置的最大半径范围只有：

Max Radius = 200 px

结果虽然显示：

Circle Count = 5

数量看起来是对的，

但是最大的红色圆没有贴着真实外边缘，而是在红圆内部错误检测出了一个更小的圆。

原因也比较直接：

真实红圆半径已经超过了 200 px。

但是我们限制了：

Max Radius ≤ 200

算法根本没有机会搜索真正的大圆，只能在允许的范围内寻找一个近似结果。

六、扩大半径范围以后正常了

后面把 Max Radius 上限扩大以后重新测试。

最终使用：

Min Radius：

10 px

Max Radius：

512 px

这次五个圆全部正确贴合。

最终页面显示：

Circle Count：5

图片尺寸：

1536 × 1024

说明程序已经正确找到了测试图片中的五个圆。

七、五个圆的真实检测结果

页面还会输出每个圆的详细数据。

这次检测结果为：

可以看到：

五个圆的半径从：

248 px
↓
197 px
↓
174 px
↓
145 px
↓
107 px

逐渐变小。

这和测试图中实际看到的大小关系也是一致的。

八、为什么需要 Min Radius 和 Max Radius？

这两个参数其实很重要。

如果完全不限制圆的大小，算法可能会在一些：

小纹理
局部边缘
噪声区域

里误检测出很多圆。

所以可以提前告诉程序：

“我只关心这个尺寸范围内的圆。”

例如：

Min Radius = 10

表示小于 10 px 的圆不需要考虑。

Max Radius = 512

表示最大只需要寻找半径 512 px 以内的圆。

这样既能减少无意义搜索，也能降低错误检测概率。

九、这次的 bug 其实也挺典型

这次最大的红圆检测不准，并不是 HoughCircles 本身失效。

真正的问题是：

搜索参数限制错了。

一开始：

真实半径 > 200 px

但是：

Max Radius = 200 px

所以算法不可能返回正确的大圆。

扩大到：

512 px

以后，红圆就正常贴合了。

这个过程也说明，很多 OpenCV 算法效果不好时，不一定意味着算法不能用。

有时候真正需要检查的是：

输入图片
参数范围
预处理方式

而不是第一时间换算法。

十、圆心和半径有什么用？

HoughCircles 不只是告诉我们：

这里有一个圆。

它还会给出：

Center X
Center Y
Radius

所以后面可以继续进行很多处理。

例如：

计算圆面积
比较多个圆大小
统计圆的位置
判断圆之间距离
寻找最大圆
寻找指定区域内的圆

如果是工业视觉，还可以进一步用于：

圆孔检测
零件尺寸分析
圆形工件定位

十一、哪些场景比较适合 HoughCircles？

比较典型的应用包括：

硬币检测
圆形按钮检测
圆孔检测
圆形零件检测
仪表盘检测
圆形标志定位

只要目标本身具有比较明确的圆形边缘，就比较适合使用这种方法。

十二、它也不是目标检测

HoughCircles 本质上检测的是：

几何圆形结构。

它并不知道：

这是硬币
这是按钮
这是车轮

它只知道：

这里存在一个近似圆形。

所以它和 YOLO 这种语义目标检测还是完全不同的。

YOLO 关注的是：

“这是什么？”

HoughCircles 更关注：

“这里是不是一个圆？”

十三、为什么最近这些工具都比较简单？

最近我把文章节奏调整了一下。

不再每一篇都做一个很大的项目，而是：

一个小工具解决一个明确问题。

这次技术栈依旧很简单：

Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript

不需要模型训练，也不需要复杂依赖。

而且每一个项目都可以单独运行、单独截图、单独验证算法效果。

总结

这次用华为云码道辅助开发了一个：

OpenCV 霍夫圆检测工具。

核心流程：

图片上传
↓
灰度化
↓
Gaussian Blur
↓
HoughCircles
↓
检测圆心和半径
↓
绘制结果

真实测试中：

图片尺寸：

1536 × 1024

半径范围：

10–512 px

最终：

Circle Count = 5

检测到的半径分别为：

248 px
197 px
174 px
145 px
107 px

五个圆全部成功检测并绘制出来。

过程中还遇到了一个实际问题：

Max Radius 太小，导致最大红圆检测错误。

把范围从 200 px 扩大以后，结果恢复正常。

前面几篇分别解决了：

图片糊不糊？
两张图片哪里不一样？
图片主要是什么颜色？
图片歪了怎么办？
图片哪里有边缘？
图片有几个轮廓？

这一篇则回答：

图片里到底有几个圆？

下一篇可以继续换一个轻量方向：

图片有多亮？用华为云码道开发 OpenCV 亮度分析工具

上传图片以后直接计算：

平均亮度、最亮区域、最暗区域和亮度直方图。

这样就不用一直围绕“找形状”做，内容也会更丰富一点。