OpenMV识别圆形物体：Hough变换算法通俗解释-编程实验室

OpenMV识别圆形物体：Hough变换算法通俗解释

从一个常见问题说起

你有没有遇到过这样的场景？
想让机器人自动识别地上的乒乓球，或者检测仪表盘上的指针位置，又或是判断某个按钮是否被按下——这些任务的核心，都是在图像中找到一个圆。

但现实往往不理想：光照忽明忽暗、背景杂乱无章、目标部分遮挡甚至变形。传统的“看轮廓”方法在这种环境下频频失效。

这时候，就需要一种更聪明的策略：不是靠“肉眼”去拼接边缘，而是让每一个像素点“投票”，共同决定哪里最有可能存在一个圆。

这就是我们今天要讲的主角——Hough变换（霍夫变换），它正是OpenMV平台上实现稳定圆形物体识别的关键技术。

Hough变换是什么？用“全民投票”来理解

想象一下你要在一个大广场里找一个看不见的圆圈。这个圆上站着一些人，但他们彼此并不知道对方的存在，也不知道整个圆的形状。

现在你问每一个人：“如果你站在某个圆周上，你觉得圆心可能在哪里？”
每个人都会根据自己的位置和预设的半径，在空中画出一个可能的圆心轨迹——这其实是一个以自己为圆心、指定半径的新圆。

当越来越多的人给出答案后，你会发现某些位置被反复提及。这些“得票最多”的地方，极大概率就是真实圆心所在！

这就是Hough变换的本质：

把图像空间中的点，映射到参数空间中进行集体“投票”，最终通过统计峰值反推出几何图形的参数。

对于圆来说，每个边缘点对所有可能的 $(x_c, y_c, r)$ 组合进行投票；最终得票最高的那个组合，就是检测到的圆。

为什么选择Hough变换来做圆检测？

在嵌入式视觉系统中，尤其是像OpenMV这类资源受限的平台，我们需要在精度、速度、鲁棒性之间做权衡。来看看几种常见方法的表现：

方法	优点	缺点
轮廓拟合（最小二乘法）	快速、省内存	对噪声敏感，要求完整闭合轮廓
模板匹配	精度高、逻辑简单	只能识别固定大小/角度的目标
Hough变换	抗噪强、支持残缺轮廓、可检测多圆	计算量大，需合理调参优化

可以看到，虽然Hough变换“吃资源”，但它最大的优势是不怕断线、不怕干扰、不怕部分遮挡。只要圆上有足够多的边缘点能被提取出来，就能准确还原出圆心和半径。

这对于工业现场或户外应用来说，几乎是刚需。

它是怎么工作的？一步步拆解流程

Hough圆检测并不是一蹴而就的魔法，它的背后有一套清晰的处理链条。我们可以把它分成五个阶段来看：

1. 图像预处理：先擦干净再看

原始图像通常包含大量无关信息。为了突出圆形边界，必须先进行清洗：
-灰度化：将彩色图转为单通道，减少计算负担；
-高斯滤波 / 去噪：平滑细节，抑制随机噪点；
-边缘增强：使用Laplacian或Canny算子强化轮廓变化剧烈的区域。

img = sensor.snapshot() img.laplacian(1) # 边缘锐化 img.denoise() # 降噪

这一步就像是给镜头戴上一副清洁的眼镜，看得更清楚了。

2. 提取边缘点：谁有资格参与“投票”？

只有被认为是“边缘”的像素点才会进入后续的检测流程。这些点通常是亮度突变的位置，比如从白到黑的过渡带。

OpenMV内部会生成一张二值图，非零值代表边缘点。每一个这样的点都将成为一次“投票者”。

3. 参数空间投票：每个点都在猜圆心

这才是Hough变换的核心机制。

假设我们知道目标圆的半径范围（比如10~100像素），那么对于每一个边缘点 $(x, y)$，它可以“推测”出一系列可能的圆心位置——即所有满足：

$$
(x - x_c)^2 + (y - y_c)^2 = r^2
$$

的 $(x_c, y_c)$。这在参数空间中形成一个圆。

由于半径不确定，算法会对 $r_{min}$ 到 $r_{max}$ 范围内的每一个可能半径重复这一过程，并在三维累加器（$x_c, y_c, r$）中记录每组参数被“命中”的次数。

4. 找峰值：谁赢得了最多选票？

经过所有边缘点的集体投票后，参数空间中会出现一些“高峰”。这些高峰对应的 $(x_c, y_c, r)$ 就是最有可能存在的圆。

OpenMV会在内部完成这一搜索，并返回得分高于设定阈值的结果。

5. 后处理筛选：去重与过滤

为了避免多个相近结果误报（比如同一个圆被不同半径检测出好几次），还需要做一些清理工作：
- 设置x_margin,y_margin：防止两个圆心太近；
- 设置r_margin：避免因半径微小差异产生重复结果；
- 限制r_min和r_max：只关心特定尺寸范围的目标。

这样最终留下的，才是真正有意义的检测结果。

在OpenMV上如何调用？一行代码背后的智慧

好消息是，你不需要自己写累加器循环或实现投票逻辑。OpenMV已经把这一切封装成了一个简洁的函数：

circles = img.find_circles( threshold=2000, x_margin=10, y_margin=10, r_margin=10, r_min=10, r_max=100, r_step=2 )

但这行代码能不能奏效，关键在于参数怎么设。下面我们逐个解析这些“开关”的作用：

参数	说明	调试建议
`threshold`	投票数阈值，越高越严格	太低会误检，太高会漏检；建议从2000开始试
`x_margin/y_margin`	圆心之间的最小距离	若画面中有多圆，设为直径的70%左右
`r_margin`	半径容差，用于去重	一般设为5~10即可
`r_min / r_max`	检测半径范围	务必根据实际目标调整！缩小范围可提速50%以上
`r_step`	半径扫描步长	步长越小越精细，但耗时指数级上升；普通场景设为5足够

💡实战经验：如果你的目标是一个直径约60px的红色按钮，那就把r_min=25,r_max=35，并配合颜色分割先粗定位，效率直接起飞。

如何提升检测稳定性？这些技巧你必须知道

光会调API还不够。要在复杂环境中做到“稳准狠”，还得掌握以下几招：

✅ 技巧1：降低分辨率，换取速度

如果目标占据画面三分之一以上，完全可以把分辨率从QVGA（320×240）降到QQVGA（160×120）。
处理时间通常能缩短60%，而精度损失几乎不可察觉。

sensor.set_framesize(sensor.QQVGA) # 推荐用于静态或慢速目标

✅ 技巧2：限定ROI区域，避开干扰

如果你知道圆只会出现在画面中央某个区域，可以用ROI跳过其他无效区域：

roi = (80, 60, 160, 120) # x, y, w, h circles = img.find_circles(roi=roi, ...)

不仅加快检测速度，还能有效防止背景误触发。

✅ 技巧3：颜色+形状双重验证，拒绝伪目标

很多“假圆”其实是亮斑或阴影造成的。我们可以先用颜色过滤缩小范围：

# 先找红色区域 blobs = img.find_blobs([red_threshold], pixels_threshold=100) if blobs: # 在最大红块区域内检测圆 for b in blobs: circles = img.find_circles(roi=b.rect()) if circles: c = max(circles, key=lambda x: x.r()) # 取最大圆 img.draw_circle(c.x(), c.y(), c.r(), color=(255,0,0))

这种“颜色粗筛 + 形状精检”的组合拳，在实际项目中极为常用。

✅ 技巧4：动态调节阈值，适应环境变化

白天和夜晚、室内和室外的光线差异巨大。可以加入自动增益控制：

avg_brightness = img.get_statistics().mean() if avg_brightness < 60: threshold = 1500 # 暗光下放宽条件 else: threshold = 2500 # 明亮时提高门槛

让系统具备一定的“自适应”能力，才是工业级设计的体现。

实际案例：乒乓球拾取机器人的“眼睛”

设想一款自动捡球机器人，任务是在杂乱的地面上识别白色乒乓球并引导机械臂抓取。

挑战包括：
- 球体反光导致边缘断裂
- 地面纹理类似圆形结构
- 移动过程中图像模糊

解决方案如下：

使用广角镜头扩大视野；
预处理阶段开启denoise()和erode(1)消除细小噪点；
设定r_min=15, r_max=30匹配乒乓球尺寸；
开启ROI分块扫描，优先处理前方区域；
检测到圆后通过UART发送坐标给主控STM32。

运行效果：在160×120分辨率下，帧率达22fps，连续追踪成功率超过90%。

性能瓶颈与优化方向

尽管Hough变换强大，但在OpenMV这类MCU平台上仍有明显限制：

限制	应对方案
内存有限（SRAM ≤ 1MB）	控制图像尺寸，避免处理RGB图像
主频有限（≤ 480MHz）	减少`r_step`，关闭不必要的视觉效果
不支持浮点加速	使用整数运算为主的算法路径
无法运行深度学习模型	结合传统算法做前端过滤

未来随着CMSIS-NN等轻量AI库的集成，或许可以实现“CNN初筛 + Hough精检”的混合架构，进一步提升复杂场景下的识别能力。