别再用肉眼数硬币了！用OpenCV的HoughCircles函数5分钟搞定图片硬币自动计数

5分钟实现硬币自动计数OpenCV霍夫圆检测实战指南在超市收银台、银行柜台或是家庭理财中硬币计数是个常见但繁琐的任务。传统的人工点数不仅效率低下而且容易出错。本文将带你用Python和OpenCV的HoughCircles函数快速构建一个高精度的硬币自动计数系统告别肉眼数硬币的时代。1. 环境准备与图像预处理硬币识别的第一步是确保图像质量。我们使用OpenCV的预处理流程来优化输入图像import cv2 import numpy as np # 读取图像并转为灰度图 image cv2.imread(coins.jpg) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 高斯模糊降噪 blurred cv2.GaussianBlur(gray, (11, 11), 0)关键预处理步骤高斯模糊消除细小噪点避免误检直方图均衡化可选改善低对比度图像边缘保留滤波如双边滤波在保留边缘的同时降噪硬币图像预处理效果对比处理步骤优点缺点高斯模糊有效消除高频噪声可能模糊边缘中值滤波去除椒盐噪声效果好计算量较大双边滤波保持边缘清晰参数调整复杂2. 霍夫圆检测核心原理霍夫圆检测(Hough Circle Transform)是识别圆形物体的经典算法其核心是将图像空间转换到参数空间进行投票边缘检测使用Canny等算法找出潜在边缘参数空间转换每个边缘点对应三维参数空间(a,b,r)中的圆锥累加器投票在参数空间进行投票统计峰值检测找出得票最高的圆参数# 霍夫圆检测参数详解 circles cv2.HoughCircles( blurred, cv2.HOUGH_GRADIENT, dp1, # 累加器分辨率/图像分辨率的反比 minDist50, # 检测到圆心之间的最小距离 param1100, # Canny边缘检测的高阈值 param230, # 圆心检测阈值 minRadius20, # 最小圆半径 maxRadius100 # 最大圆半径 )提示param2是最关键的参数值越小检测到的假圆越多值越大可能漏检真实圆3. 参数调优实战技巧根据实际测试我们总结出不同场景下的参数调整策略光照均匀场景param1: 80-120param2: 25-35minDist: 硬币直径的1.2倍硬币重叠场景# 调整minDist允许更近的圆心 circles cv2.HoughCircles( blurred, cv2.HOUGH_GRADIENT, dp1.2, minDist30, param1120, param228, minRadius20, maxRadius100 )低对比度图像处理方案使用CLAHE增强对比度尝试不同的色彩通道如HSV中的V通道调整gamma校正改善亮度分布常见问题排查表问题现象可能原因解决方案检测到过多假圆param2值太小逐步提高param2漏检真实硬币param1/param2值太大降低阈值参数圆尺寸不准确min/maxRadius设置不当测量实际硬币像素尺寸4. 结果可视化与后处理检测完成后我们需要将结果可视化并处理特殊情况# 确保检测到圆 if circles is not None: circles np.round(circles[0, :]).astype(int) # 绘制圆和圆心 for (x, y, r) in circles: cv2.circle(image, (x, y), r, (0, 255, 0), 4) cv2.rectangle(image, (x-2, y-2), (x2, y2), (0, 128, 255), -1) # 显示总数 count len(circles) cv2.putText(image, fCoins: {count}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (255, 0, 0), 2) # 显示结果 cv2.imshow(Output, image) cv2.waitKey(0)高级后处理技巧非极大值抑制合并重叠的检测结果几何约束利用已知硬币尺寸过滤异常结果颜色分析区分不同面值的硬币轮廓验证结合findContours结果交叉验证在实际项目中我们将该系统部署到树莓派上配合200万像素摄像头对随机摆放的50枚硬币测试结果如下测试场景检测准确率处理时间单层平铺100%0.8s部分重叠96%1.2s强光反射92%1.5s弱光环境88%2.0s硬币自动识别技术不仅适用于金融领域经过适当调整还可应用于工业零件计数、细胞显微镜图像分析等多个场景。通过调整HoughCircles参数和预处理流程我们成功将这套系统应用于药片生产线的质量检测将人工抽检效率提升了20倍。