这篇博客将学习如何使用霍夫圆变换在图像中找到圆圈，OpenCV使用cv2.HoughCircles()实现霍夫圆变换。
circles = cv2.HoughCircles(img,
img: 待检测的灰度图cv2.HOUGH_GRADIENT：检测的方法，霍夫梯度1：检测的圆与原始图像具有相同的大小，dp=2,检测的圆是原始图像的一半20：检测到的相邻圆的中心的最小距离（如果参数太小，除了一个真实的圆外，还可能会错误地检测到多个相邻圆。如果太大，可能会漏掉一些圆。）param1：在#HOUGHŠu梯度的情况下，它是较高的. 两个阈值传递到Canny边缘检测器（较低的一个小两倍）。param2：在#HOUGHŠu梯度的情况下，它是检测阶段圆心的累加器阈值。它越小，就越可能检测到假圆；minRadius：最小圆半径maxRadius：最大圆半径，如果<=0，则使用最大图像尺寸。如果<0，则返回没有找到半径的中心。
cv2.HOUGH_GRADIENT, 1, 20,
param1=50, param2=40, minRadius=25, maxRadius=0)
原始图 VS 检测圆效果图如下：
如下右图可以看到3个外侧圆绿色，圆心红色被成功检测到；
圆的最小半径设置由25调整为10，也可能会错误的检测到圆，效果图如下：
检测圆半径的阈值（param2设置35）的结果，最小圆半径设置10，也可能会错误的检测到圆，效果图如下：
# 霍夫圆检测
import cv2
import numpy as np
cimg = cv2.imread('opencv_logo_350.jpg')
cv2.imshow("origin", cimg)
cv2.waitKey(0)
img = cv2.cvtColor(cimg,cv2.COLOR_BGR2GRAY)
img = cv2.medianBlur(img, 5)
cimg = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
# - img: 待检测的灰度图
# - cv2.HOUGH_GRADIENT：检测的方法，霍夫梯度
# - 1：检测的圆与原始图像具有相同的大小，dp=2,检测的圆是原始图像的一半
# - 20：检测到的圆的中心的最小距离（如果参数为太小，除了一个真实的圆外，还可能会错误地检测到多个相邻圆。如果太大，可能会漏掉一些圆。）
# - param1：在#HOUGHŠu梯度的情况下，它是较高的. 两个阈值传递到Canny边缘检测器（较低的一个小两倍）。
# - param2：在#HOUGHŠu梯度的情况下，它是检测阶段圆心的累加器阈值。它越小，就越可能检测到假圆；
# - minRadius：最小圆半径，也可能会检测到假圆
# - maxRadius：最大圆半径，如果<=0，则使用最大图像尺寸。如果<0，则返回没有找到半径的中心。
circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 20,
param1=50, param2=40, minRadius=0, maxRadius=0)
# 最小圆半径设置不合适，也可能会检测到假圆
# circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 20,
# param1=50, param2=40, minRadius=0, maxRadius=0)
# circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1, 20,
# param1=50, param2=30, minRadius=10, maxRadius=0)
circles = np.uint16(np.around(circles))
print(len(circles))
print(circles)
for i in circles[0, :]:
# 绘制外圈圆（蓝色）
cv2.circle(cimg, (i[0], i[1]), i[2], (0, 255, 0), 2)
# 绘制圆心（红色）
cv2.circle(cimg, (i[0], i[1]), 2, (0, 0, 255), 3)
cv2.imshow('detected circles', cimg)
cv2.waitKey(0)
cv2.destroyAllWindows()
