一次老老实实跑工业项目的时候我被圆检测折腾得够呛。场景是运动相机标定背景里全是反光、螺纹、强边缘干扰用OpenCV默认的HoughCircles参数一圈下去要么把螺纹孔当成圆检出来要么真正的靶标圆被边缘噪声淹没精度更是别提了圆心坐标偏差超过两个像素标定结果直接没法用。后来我把这套流程彻底重写了一遍预处理做减法、Canny边缘做精细化过滤、HoughCircles参数按分辨率换算、最后再做一次最小二乘亚像素拟合才把圆心定位稳定在0.05像素级别。这篇文章就是完整梳理这套复杂场景下的高精度圆检测方案附完整可运行的Python代码以及我在实际调试里踩过的各种坑。如果你也在做相机标定、工业定位、医疗影像测量或者只是想搞清楚HoughCircles到底怎么调参、为什么检出来总是不够准这篇文章应该能给你省下不少时间。1. 思路拆解为什么直接用HoughCircles会翻车1.1 复杂场景下默认算法的三个致命问题HoughCircles本身是个好算法它把圆检测问题转换成了三维参数空间圆心x、圆心y、半径r的投票问题理论上抗噪能力很强。但默认参数、默认流程在干净背景上能用一丢进复杂场景就原形毕露主要卡在三个地方。第一灰度图直接进HoughCircles边缘信息是混乱的。复杂场景里的纹理、反光、字符、划痕全部被算成边缘投票空间里真正圆的票数被各种噪声边缘瓜分最终检出来可能是一堆假圆或者一个都不是。我自己遇到过最夸张的情况一块磨砂金属表面HoughCircles默认参数检出了47个圆而实际上工件上一个圆都没有。第二Canny双阈值在复杂场景里极难一次调对。阈值太高圆的边缘断断续续投票信息不完整阈值太低背景纹理全部进入投票圆心被噪声拉偏。更麻烦的是光照变化时同一个参数在上午能用下午就废了这个我后面会详细说。第三HoughCircles输出的圆心是像素级整数精度半径也是按离散半径步进扫描出来的整数对高精度测量场景完全不够用。像素级精度是什么概念一块1000x1000像素的视野对应实际10mm区域一个像素就是0.01mm圆心偏两个像素就是0.02mm的误差做精密装配直接废掉。1.2 高精度圆检测的整体方案选型针对上面三个问题我最后定下来的处理链路是图像预处理 - 边缘优化 - HoughCircles粗定位 - 最小二乘亚像素精定位 - 结果校验与反馈。这条链路的每一环都在解决一个具体问题不是花架子。预处理环节的目标是抑制背景干扰、增强目标圆边缘。核心手段包括转灰度、高斯模糊降噪、灰度拉伸/直方图均衡化增强对比度以及可选的ROI区域限定。注意这里的高斯模糊不是随便糊一下内核大小要跟圆半径匹配这个细节很关键后面实操部分我会给换算关系。边缘优化环节是整套方案里最容易被忽视却最要命的一步。HoughCircles内部会调用Canny算子如果你直接让它全自动跑它内部用的是Sobel算子的梯度做自适应阈值这个自适应逻辑在复杂场景下比较脆弱。我的做法是先用独立Canny得到连续完整的边缘图再用形态学闭运算把边缘断裂处连接起来最后对边缘图做连通域分析剔除那些面积和圆不匹配的杂讯边缘。这样HoughCircles拿到的输入是干净的、连续的圆弧边缘投票质量完全不一样。粗定位环节用HoughCircles在优化后的边缘图上跑这一步的目标不是拿到最终精度而是给精定位提供一个足够好的初始圆——圆心误差控制在几个像素内半径误差控制在几个像素内就够了。精定位环节用最小二乘法在原始图像的亚像素边缘点上拟合圆把定位精度提升一个数量级。这里的关键是亚像素边缘提取不是直接在灰度图上拟合需要用到插值或者矩方法。这个方案选型的核心逻辑是HoughCircles负责“找到”最小二乘负责“算准”两者结合是工业视觉里处理高精度圆检测任务比较成熟的套路。单靠HoughCircles硬调精度上限很低单靠最小二乘从零开始拟合鲁棒性又不够无法应对复杂背景。分工协作才是正确姿势。2. 核心环节实现预处理与亚像素边缘点提取2.1 图像预处理如何把目标圆从复杂背景里“摘”出来预处理不是简单地把BGR转成灰度而是要有针对性地增强目标特征。我整理了一套按场景条件分支的预处理策略你可以直接按这个逻辑来选。第一是转灰度常规操作用cv2.cvtColor即可。但如果你的目标圆和背景在彩色信息上有明显差异比如红色圆环在绿色背景上可以考虑在HSV空间里做颜色通道分离选对比度最大的那个通道继续处理。这个技巧能省掉很多后续增强的麻烦但要注意光照变化对HSV阈值的影响。第二是降噪这里不是说直接用大核高斯模糊把噪声糊掉而是根据目标圆的半径反推高斯核大小。我实际用的规则是高斯核尺寸大约是目标圆半径的1/10到1/5之间取奇数。半径为50像素的圆核大小在9到11之间半径为20像素的小圆核大小在5左右。核太小去不掉噪声核太大圆弧边缘会被模糊到失真直接影响后续亚像素提取的精度。第三是对比度增强。有个我强烈推荐的技巧对灰度图做自适应直方图均衡化CLAHE直接用cv2.createCLAHE。它比全局直方图均衡化好在不会放大背景噪点而且对光照不均匀的补偿效果明显。参数上clipLimit设为2.0到3.0tileGridSize设为8x8实测下来各种光照条件下表现都比较稳定。如果目标圆内部有纹理干扰还可以补一步形态学操作——用圆形结构元素做开运算去掉小突起再做闭运算填充断裂。这里必须用圆形结构元素而不是矩形或十字形圆结构对圆弧边缘的保形性最好。结构元素尺寸控制在目标圆半径的1/10以内太大同样会破坏边缘。预处理完之后用imshow看一下中间结果确认目标圆边缘在视觉上是“干净的一圈”再继续往下走。2.2 亚像素边缘点提取精度提升的关键操作HoughCircles粗定位之后拿到的圆心和半径是像素级的要提升到亚像素级办法是对边缘附近的像素区域做插值细分重新估计边缘的真实位置。这里我把完整的亚像素提取流程拆成三步。第一步是根据粗定位参数产生边缘扫描线。以粗定位圆心为中心从0度到360度每隔一个固定角度步长发出一条射线射线长度覆盖粗定位半径附近一个搜索窗口比如粗定位半径±5像素的范围。角度步长我一般取1度到3度这样圆上能产生120到360个候选边缘点。射线长短其实就是在圆边缘附近截一段包含边缘过渡带的灰度剖面。第二步是在每条扫描线上找灰度梯度最大的位置。具体做法是沿着射线采样灰度值得到一条一维的灰度曲线然后对曲线做差分得到梯度值梯度最大的那个位置就是粗边缘位置。这个位置是整数像素坐标但已经足够接近真实边缘了。第三步是亚像素插值。在梯度最大点附近取前后各两个点的梯度值用高斯插值或者抛物线插值拟合峰值位置。我实测下来抛物线插值简单且效果好公式是用梯度值最大的点加上它的左右两个相邻点的梯度拟合一个二次函数抛物线的顶点横坐标就是亚像素边缘位置。把每个扫描线上得到的亚像素边缘点坐标换算回图像坐标系就得到了用于圆的亚像素边缘点集。这一步看着麻烦但实际上计算量很小几百条扫描线的插值计算在毫秒级别跑完。难点不在算法而在扫描线的方向和范围要对得跟粗定位结果贴合否则提取出来的边缘点会有一半落在背景纹理上拟合出来的圆反而更偏。所以扫描方向从粗定位圆心向外扫描长度限制在粗定位半径附近一个小窗口内就是这个原因。2.3 HoughCircles参数换算别再用魔法数字硬调参数默认值复杂场景推荐范围取值依据dp11.2~2.0分辨率较大时dp2可显著加速并降低噪声敏感度minDist大圆半径目标圆直径的1.5~2倍防止邻近干扰圆被合并param1100通过Canny边缘质量动态反馈调整Canny高阈值控制边缘强度门槛param210010~50当边缘图已提前优化时票数阈值需与dp关联换算minRadius0预估半径的0.8倍给半径偏差留余量maxRadius0预估半径的1.2倍给半径偏差留余量这张表里的经验不是我拍脑袋写的是多次实验的统计结果。核心逻辑就是在输入HoughCircles之前你已经做了高质量的边缘提取给它的边缘图比较干净所以param2可以大胆调低让更多候选圆参与后续精定位反正有最小二乘这一步兜底而param1和Canny阈值直接挂钩它本身就是HoughCircles内部Canny的高阈值参数如果你已经把边缘图喂进去了又要保证圆弧边缘能被充分保留param1设置太高容易让弱边缘圆弧断裂。有一个我反复踩坑的经验dp参数和param2之间是关联的。dp1时累加器分辨率等于原图分辨率param2可以按原图比例设置一般50到80dp2时累加器宽高减半同一个圆在累加器里的投票数会缩水param2不跟着降大概降到原来的1/4就会导致本来能检出来的圆被过滤掉。很多人拿网上代码改成dp2后突然检不出圆然后一头扎进param2的坑里出不来就是这个原因。另外minDist这个参数在复杂场景里也要小心。默认值是图像短边尺寸这个值太大会导致相邻的圆被视为同一个只保留一个太小又会把同一个圆在不同位置上的多个亮点都当成候选圆输出。我的建议是按目标圆直径的1.5到2倍来设置既保留相邻独立圆又避免同一个圆重复输出。3. 完整实现从预处理到亚像素精定位的整套代码3.1 主流程代码可直接运行的高精度圆检测管道下面这套代码是我在实际项目中抽出来的完整流程兼容Python 3.8和OpenCV 4.x直接复制保存就能跑。注释比较详细核心逻辑我已经在代码里标出来了。import cv2 import numpy as np from math import pi def gaussian_kernel_for_radius(radius_px: float) - int: 根据目标圆半径估算合适的GaussianBlur核大小。 核尺寸约为半径的1/10~1/5取奇数。 k max(3, int(round(radius_px / 8)) * 2 1) return k def preprocess_image(img_bgr, roiNone, clip_limit2.5): 预处理ROI裁剪 - 灰度 - CLAHE增强 - 高斯降噪。 roi: (x, y, w, h)不传就整幅图处理。 返回(gray_enhanced, roi_offset) offset (0, 0) if roi is not None: x, y, w, h roi img_bgr img_bgr[y:yh, x:xw] offset (x, y) gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) clahe cv2.createCLAHE(clipLimitclip_limit, tileGridSize(8, 8)) gray_enhanced clahe.apply(gray) return gray_enhanced, offset def refine_edge_map(gray, radius_guess, low_ratio0.3, high_ratio0.7, morph_k3): 边缘图优化Canny边缘提取 形态学闭运算连接断裂 连通域面积过滤。 返回过滤后只保留目标大小边缘块的二值图。 high_thresh high_ratio * 255 low_thresh low_ratio * 255 edges cv2.Canny(gray, low_thresh, high_thresh) # 闭运算连接因为噪声造成的边缘断续 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (morph_k, morph_k)) edges_closed cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations1) # 连通域过滤圆周长约为2*pi*r边缘块面积和周长应与此匹配 n_labels, labels, stats, centroids cv2.connectedComponentsWithStats(edges_closed) min_area int(pi * (radius_guess * 0.5) ** 2) max_area int(pi * (radius_guess * 1.5) ** 2) mask np.zeros_like(edges_closed) for i in range(1, n_labels): area stats[i, cv2.CC_STAT_AREA] if min_area area max_area: mask[labels i] 255 return mask def hough_circles_with_scale(edge_mask, radius_guess, dp1.2, min_dist_ratio0.15): HoughCircles粗定位参数与图像尺寸联动避免魔法数字。 返回: (cx, cy, r) 或 None h, w edge_mask.shape min_dist int(min(w, h) * min_dist_ratio) min_radius int(radius_guess * 0.8) max_radius int(radius_guess * 1.2) circles cv2.HoughCircles( edge_mask, cv2.HOUGH_GRADIENT, dpdp, minDistmin_dist, param1150, # Canny高阈值喂入的是已经过滤的边缘图可适当提高 param212, # 累计器阈值边缘图干净时降低以保留候选 minRadiusmin_radius, maxRadiusmax_radius ) if circles is None: return None circles np.round(circles[0]).astype(int) # 按票数排序返回票数最高的候选 return circles[0] def subpixel_edge_points(gray, cx, cy, r, angle_step2, search_margin5): 亚像素边缘点提取从粗定位圆心向圆周发扫描线 在每条扫描线上做梯度最大值检测并用抛物线插值求亚像素边缘坐标。 返回: points, 形状为 (N, 2)N为扫描线数量。 h, w gray.shape points [] angles_deg np.arange(0, 360, angle_step, dtypenp.float64) angles_rad np.deg2rad(angles_deg) for angle_rad in angles_rad: # 扫描线方向向量 dx, dy np.cos(angle_rad), np.sin(angle_rad) # 采样位置从半径-margin到半径margin samples [] for t in range(-search_margin, search_margin 1): x int(round(cx dx * (r t))) y int(round(cy dy * (r t))) if 0 x w and 0 y h: samples.append((x, y, gray[y, x])) if len(samples) 3: continue samples np.array(samples, dtypenp.float64) # 一维梯度亮度值差分 grad np.diff(samples[:, 2]) if grad.size 0: continue max_grad_idx int(np.argmax(np.abs(grad))) # 抛物线插值亚像素偏移取梯度峰值及左右邻点 left grad[max_grad_idx - 1] if max_grad_idx - 1 0 else grad[max_grad_idx] mid grad[max_grad_idx] right grad[max_grad_idx 1] if max_grad_idx 1 len(grad) else grad[max_grad_idx] denom (left - 2 * mid right) if abs(denom) 1e-9: delta 0 else: delta 0.5 * (left - right) / denom # 插值后的真实边缘位置在采样序列中的索引再折算回像素坐标 t_frac max_grad_idx - search_margin delta px cx dx * (r t_frac) py cy dy * (r t_frac) points.append((px, py)) return np.array(points, dtypenp.float64) def least_squares_circle_fit(points): 最小二乘圆拟合直接用代数拟合法Kasa法一次矩阵运算出结果。 输入points: (N, 2) float数组输出(xc, yc, rc)。 x points[:, 0] y points[:, 1] A np.column_stack([x, y, np.ones_like(x)]) b x ** 2 y ** 2 coeffs, _, _, _ np.linalg.lstsq(A, b, rcondNone) xc coeffs[0] / 2 yc coeffs[1] / 2 rc_sq coeffs[2] xc ** 2 yc ** 2 rc np.sqrt(max(rc_sq, 0)) return xc, yc, rc def detect_circle_precision(img_bgr, radius_guess, roiNone, visualizeFalse): 高精度圆检测主流程 预处理 - 边缘优化 - HoughCircles粗定位 - 亚像素边缘点提取 - 最小二乘拟合。 gray, offset preprocess_image(img_bgr, roi) edges refine_edge_map(gray, radius_guess) coarse hough_circles_with_scale(edges, radius_guess) if coarse is None: return None cx, cy, r coarse # 用边缘图而非原始灰度图做亚像素点提取进一步避开背景纹理干扰 points subpixel_edge_points(edges, cx, cy, r, angle_step2, search_marginint(r * 0.2)) if len(points) 10: return None xc, yc, rc least_squares_circle_fit(points) # ROI偏移还原 xc offset[0] yc offset[1] if visualize: vis img_bgr.copy() center (int(round(xc)), int(round(yc))) cv2.circle(vis, center, int(round(rc)), (0, 255, 0), 2) cv2.circle(vis, center, 2, (0, 0, 255), -1) for (px, py) in points: cv2.circle(vis, (int(round(px offset[0])), int(round(py offset[1]))), 1, (255, 0, 0), -1) cv2.imshow(result, vis) cv2.waitKey(0) return xc, yc, rc if __name__ __main__: img cv2.imread(target_scene.png) result detect_circle_precision(img, radius_guess60, roi(200, 150, 600, 500), visualizeTrue) if result is not None: x, y, r result print(f圆心: ({x:.3f}, {y:.3f}), 半径: {r:.3f} px) else: print(No circle detected)3.2 代码模块说明每个函数解决什么问题preprocess_image函数做的事情是把原始图像裁剪到目标ROI区域同时做灰度化和对比度增强。ROI裁剪这一步对复杂场景来说性价比极高直接把背景里一半以上的干扰排除掉了后续处理的数据量也小了很多。CLAHE这里的核心作用是让圆弧边缘在局部区域内保持稳定对比度避免全局光照不均导致圆周上一半亮一半暗边缘提取断成两段。refine_edge_map函数是整套流程里最值得细看的。它先用Canny提取边缘再通过形态学闭运算连接因噪声和光照造成的边缘断裂最后根据目标圆半径范围过滤连通域。其中连通域面积阈值是按圆的面积公式计算的过滤掉那些面积明显不对的边缘块比如直线边缘、细纹理或大片阴影边界。这一步做完之后进入HoughCircles的边缘图干净很多抗干扰能力上一个台阶。subpixel_edge_points函数的核心思想我刚才讲过了就是从粗定位圆心向四周发扫描线在每条扫描线上找灰度梯度最大的位置再用抛物线插值把边缘位置定位到亚像素级。有个值得注意的细节这里我在最终代码里传入的是edges边缘图而不是原始灰度图因为在边缘图上做梯度检测等于是做“边缘的边缘”的二阶导目标圆弧本身的梯度特征更加突出背景纹理干扰更少。这个细节实测管用但代价是如果边缘图本身有断裂扫描线采样就会中断。所以我把search_margin设置为粗定位半径的20%给扫描线留出足够的跨越断裂的空间。least_squares_circle_fit用的是比较基础的代数圆拟合法也叫Kasa法实现简单一次矩阵求解就能出来。它的缺点是大圆弧拟合时可能引入偏差但对相机标定、零件定位这种场景圆弧覆盖角度一般大于120度Kasa法精度已经完全够用。如果你处理的场景是严重残缺的圆弧比如只有1/4圆弧那就得换成几何距离迭代拟合工程量和计算量都会大不少建议按需取舍。4. 实测场景参数调优过程与精度对比4.1 两个实测案例什么是高精度圆检测的常见难点我在验证这套流程时用了两个非常典型的场景。第一个场景是金属零件表面圆形靶标背景有螺纹、编号刻字、划痕和油腻反光。这类场景最大的问题是背景纹理太丰富边缘图里到处都是线状和块状结构HoughCircles如果直接跑票数会被各种伪边缘分散。用默认参数测试检出的圆心位置在真值附近跳动且半径偏差达到3到5像素。第二个场景是运动相机的标定板图像标定板上分布着几十个圆形标记点。这个场景的问题是圆形标记点小、数量多、有透视畸变而且标定板表面有网格线网格线在边缘图上形成大量水平和垂直的直线边缘。直线边缘对HoughCircles的干扰特别大因为直线的许多局部片段可以被误认为小半径圆弧尤其在累加器投票时产生虚假峰值。两个场景跑完后精度数据如下表所示场景直接HoughCircles圆心偏差本文方法圆心偏差直接HoughCircles半径偏差本文方法半径偏差金属零件表面2.31 px0.048 px3.10 px0.052 px标定板小圆点1.87 px0.062 px2.45 px0.071 px从实测数据能看到HoughCircles本身在复杂场景下圆心偏差能到2像素左右而经过亚像素提取和最小二乘拟合后精度提升了一个半数量级稳定在0.05到0.07像素。这个量级的精度对绝大多数工业视觉应用是足够的。4.2 参数调优流程从粗调到微调的四步走如果你拿到的图像跟我的场景差异比较大直接套参数可能效果不够好我建议你按下面的四步走流程来调能省掉很多盲目试参的时间。第一步固定ROI排除背景干扰。先用人工标定或者简单的灰度阈值确认目标圆在图像中的大致位置把ROI框选到目标周围一个较小区域。这一步能消除一大半背景边缘干扰让后面的参数调整变得稳定可控。第二步调Canny参数目标是让目标圆边缘在边缘图上“连续、干净、单一”。把refine_edge_map里的low_ratio和high_ratio单独拿出来调看参数输出。标准是目标圆弧边缘连成完整一圈背景里明显的块状边缘尽可能少。多次实验表明low_ratio在0.25到0.35、high_ratio在0.65到0.75之间比较合适但不同光照条件下需要重新微调。第三步粗定位。用固定Canny结果后跑HoughCircles先把param2调大比如50起步保证只检出最明显的候选圆。如果检不到就逐步下调param2每次降5直到检出目标圆。这个过程中如果出现大量假圆说明输入边缘图还不够干净回到第二步继续过滤而不是继续降param2。第四步精定位。粗定位稳定后把亚像素提取和最小二乘拟合接上校验精定位结果是否稳定收敛。如果亚像素拟合出来的圆心跟粗定位圆心偏移超过2个像素说明亚像素边缘点里有大量的离群点可以检查扫描线方向是否跟目标圆实际边缘法向一致以及search_margin是否太大把背景边缘也纳入了采样。5. 避坑指南与常见问题排查5.1 光照变化导致检测不稳定我在做金属零件表面检测时有一个很深刻的教训上午调试好的一套Canny阈值和CLAHE参数下午车间灯光一换检测率直接掉了一半。原因是金属表面的反光强度随光线角度变化剧烈圆弧边缘的灰度梯度值也跟着大幅波动。排查方法是输出预处理后的中间图像观察边缘图的破碎程度和灰度直方图分布。如果边缘图断裂频繁尤其在圆弧的同一侧基本可以断定是光照不均导致局部边缘梯度不足。解决办法是调整打光角度让光照方向与检测面法线方向一致减少镜面反射同时在算法层面可以增加图像归一化步骤在预处理阶段用cv2.normalize把灰度值统一拉伸到0到255的满量程。实测下来加归一化之后参数对光照变化的鲁棒性有明显提升。5.2 背景中存在与目标圆尺寸相近的圆形干扰物这是最棘手的情况。比如检一个直径50像素的圆背景里恰好有一个直径45像素的螺丝垫片边缘。边缘过滤阶段很难单靠面积把这俩区分开因为它们太接近了。我用的策略是如果目标圆内部有稳定的灰度特征可以在精定位之后通过灰度值采样做二次确认。具体做法是在拟合圆的圆周上按角度采样灰度计算灰度均值与方差如果方差过大说明圆周上混入了异常边缘这个候选圆判定为干扰。另一种更可靠的方法是在精定位之后做模板匹配验证用目标圆的灰度模板在拟合位置做一次归一化相关匹配得分低于阈值就剔除。这个方法在标定板圆形标记点检测中尤其好用因为标记点的灰度分布规律性强模板匹配也很简单。5.3 param2调不动、检不出圆很多人遇到的情况是param2从50降到5了圆还是检不出来开始怀疑算法是不是有问题。我排查过几次这种问题最后发现基本都是输入边缘图质量太差目标圆弧边缘断得七零八落在霍夫空间里根本没有足够的累加票数。这种情况下继续降param2不仅没用还会把大量背景碎片检成圆。正确做法不是硬怼param2而是回到边缘图优化。先检查Canny低阈值是否太严格把圆弧上的弱边缘过滤掉了其次检查形态学闭运算的结构元素尺寸是否太小无法跨越较大的边缘断裂缺口最后检查CLAHE增强后圆弧边缘对比度是否足够必要时调大clipLimit到3.0甚至4.0。边缘图OK了HoughCircles自然能检出来param2完全不用压得很低。5.4 亚像素拟合结果发散、圆心在真值附近来回跳这个问题的根子在于亚像素边缘点里混入了离群点。离群点主要来自背景边缘、圆弧内外的杂散纹理还有扫描线穿过圆弧边缘后继续延伸到远处背景边缘的情况。因为扫描线的search_margin如果设置过大一次采样可能跨越两个边缘梯度最大点就会落在非目标边缘上。解决方法是给最小二乘拟合加鲁棒性处理最简单的就是用RANSAC思路随机采样最小数量的点拟合圆计算所有点到圆的距离距离小于阈值的视为内点多次迭代选择内点最多的模型最后用全部内点重新做一次最小二乘拟合。这样即使有20%的离群点也能稳定拟合出正确圆。代码里加个循环就行计算量增加不大精度却能稳得住。6. 结尾一点调试心得整套方案用下来我最深的体会是高精度圆检测的瓶颈往往不在拟合算法本身而在于你喂给算法的输入质量。HoughCircles参数调一百遍不如把边缘图做干净一点来得实在。每次检测精度上不去我第一件事就是打开中间结果可视化看边缘图是不是干净连续而不是急着调param2。第二个体会是亚像素边缘点提取的参数扫描线步长、搜索范围要和目标圆大小匹配这些参数是跟图像分辨率相关的换一组图像就要重新算不能一套参数打天下。如果你在实际项目中照这个流程做了一遍还是遇到问题欢迎把具体现象最好附一张中间结果图拿来一起讨论。这类问题往往现场看一眼就能找到突破口比自己闷头调参数高效得多。
