### 使用 Python 和 OpenCV 实现 Canny 边缘检测并提取圆心坐标 在图像处理领域，Canny 边缘检测是一种广泛使用的算法，可以有效检测图像中的边缘。然而，单独使用 Canny 并不足以直接获取圆的圆心坐标。通常需要结合其他技术，例如霍夫变换（Hough Transform），来进一步分析和定位圆形目标。 以下是完整的解决方案： #### 1. 图像预处理 为了提高 Canny 边缘检测的效果，建议先对原始图像进行灰度化和高斯模糊处理。这样可以减少噪声干扰，提升边缘检测的质量[^3]。 ```python import cv2 import numpy as np # 加载图像 img = cv2.imread('image.jpg') # 转换为灰度图 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊去噪 blurred_img = cv2.GaussianBlur(gray_img, (5, 5), 0) ``` #### 2. 应用 Canny 边缘检测 利用 `cv2.Canny()` 函数执行边缘检测。该函数有两个阈值参数 (`low_threshold` 和 `high_threshold`)，它们决定了哪些像素被认为是强边缘或弱边缘[^1]。 ```python edges = cv2.Canny(blurred_img, threshold1=50, threshold2=150) ``` #### 3. 使用霍夫圆变换提取圆的信息 尽管 Canny 可以提供边缘信息，但它无法直接给出圆的具体属性（如圆心和半径）。因此，可以通过 `cv2.HoughCircles()` 来完成这一任务。此方法基于极坐标系寻找可能存在的圆，并返回其圆心和半径[^2]。 ```python circles = cv2.HoughCircles( edges, method=cv2.HOUGH_GRADIENT, dp=1, minDist=20, param1=50, param2=30, minRadius=0, maxRadius=0 ) if circles is not None: circles = np.uint16(np.around(circles)) for i in circles[0, :]: center = (i[0], i[1]) # 圆心坐标 radius = i[2] # 半径 # 绘制圆心 cv2.circle(img, center, 1, (0, 100, 100), 3) # 绘制圆周 cv2.circle(img, center, radius, (255, 0, 255), 3) ``` #### 4. 显示结果 最后一步是展示最终的结果图像，其中包含了所检测到的所有圆及其对应的圆心位置。 ```python cv2.imshow('Detected Circles', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 以上代码片段展示了如何综合利用 Canny 边缘检测与霍夫圆变换，在给定图像中查找并标记出各个圆的位置及尺寸。 --- ###