📚 课程目录第2章形状匹配的圆形零件定位

2. 形状匹配的圆形零件定位

任务目标

本案例实现基于形状匹配的圆形零件定位：输入一张包含圆形零件的灰度图像，算法输出每个检测到圆形的中心坐标(x, y)与半径r，为机器人抓取提供目标位置。采用OpenCV的HoughCircles作为形状匹配核心，配合参数自适应策略应对不同光照与零件尺寸。

环境依赖

Python 3.8+，OpenCV 4.5+（含opencv-python与opencv-python-headless二选一），NumPy。无需额外数据集，使用本地单张图像即可验证。

完整实现代码

import cv2
import numpy as np
import sys

def detect_circles(image_path, min_radius=20, max_radius=200, param2=30):
    """
    基于Hough变换的圆形零件定位
    返回: [(cx, cy, r), ...]，按置信度降序
    """
    # 读取图像并转为灰度
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(f"无法读取图像: {image_path}")
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 预处理：高斯模糊降噪，保留边缘清晰度
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)

    # 自适应Canny阈值（基于灰度中值）
    median_val = np.median(blurred)
    low_thresh = int(max(0, 0.66 * median_val))
    high_thresh = int(min(255, 1.33 * median_val))
    edges = cv2.Canny(blurred, low_thresh, high_thresh)

    # Hough圆检测（形状匹配核心）
    circles = cv2.HoughCircles(
        edges,
        cv2.HOUGH_GRADIENT,
        dp=1.2,                # 累加器分辨率与图像分辨率的反比
        minDist=min_radius*2,  # 圆心最小间距，防止重复检测
        param1=high_thresh,    # Canny高阈值
        param2=param2,         # 圆心累加器阈值，越小检测越多（含误检）
        minRadius=min_radius,
        maxRadius=max_radius
    )

    results = []
    if circles is not None:
        # 将结果转为整数坐标并排序（按累加器强度，即第3维）
        circles = np.round(circles[0]).astype(int)
        # 按置信度（第3列）降序排列
        circles = circles[np.argsort(-circles[:, 2])]
        for x, y, r in circles:
            results.append((int(x), int(y), int(r)))

    return results

def visualize_and_save(image_path, circles, output_path="annotated.jpg"):
    """在原图上绘制检测结果并保存"""
    img = cv2.imread(image_path)
    for (x, y, r) in circles:
        cv2.circle(img, (x, y), r, (0, 255, 0), 2)      # 外圆
        cv2.circle(img, (x, y), 2, (0, 0, 255), 3)      # 圆心
        cv2.putText(img, f"({x},{y}) r={r}", (x-30, y-r-10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
    cv2.imwrite(output_path, img)
    print(f"标注图像已保存: {output_path}")

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("用法: python circle_detect.py <图像路径> [min_radius] [max_radius] [param2]")
        sys.exit(1)

    img_path = sys.argv[1]
    # 可选参数：最小半径、最大半径、累加器阈值
    min_r = int(sys.argv[2]) if len(sys.argv) > 2 else 20
    max_r = int(sys.argv[3]) if len(sys.argv) > 3 else 200
    p2 = int(sys.argv[4]) if len(sys.argv) > 4 else 30

    detections = detect_circles(img_path, min_r, max_r, p2)

    if not detections:
        print("未检测到圆形零件")
    else:
        print(f"检测到 {len(detections)} 个圆形零件:")
        for i, (cx, cy, r) in enumerate(detections):
            print(f"  零件{i+1}: 中心=({cx}, {cy}), 半径={r}px")
        visualize_and_save(img_path, detections)

运行与验证

运行方式：

python circle_detect.py parts.jpg 20 200 30

其中parts.jpg为输入图像，后三个参数依次为最小半径、最大半径、Hough累加器阈值（默认值已给出，可按需调整）。

验证方法：

程序输出每个检测圆的中心坐标与半径，并在原图上绘制绿色外圆与红色圆心，保存为annotated.jpg。
打开标注图像，目视检查绿色圆是否准确贴合零件边缘，圆心是否位于零件几何中心。
判定通过标准：图像中每个可见圆形零件均被检出，且无明显的非圆形误检（如方形边缘被误判为圆）；输出坐标与图像中零件实际位置偏差不超过3像素。

参数调优建议：若漏检，降低param2（如从30降至20）；若误检增多，提高param2。若零件半径超出默认范围，需通过命令行传入正确的min_radius与max_radius。

常见问题

检测不到圆：优先检查零件半径是否在min_radius与max_radius范围内；其次降低param2至15～20重试。
误检严重：提高param2至40～50，或增大minDist（当前为min_radius*2）以抑制邻近重复检测。
边缘断裂导致漏检：可适当降低Canny低阈值（代码中low_thresh），或改用cv2.medianBlur替代高斯模糊以保留更锐利边缘。