一、OpenCV环境搭建与基础准备

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，支持Python、C++等多种语言。硬币检测作为计算机视觉的入门级应用，适合初学者理解图像处理的基本流程。

1.1 环境配置

Python安装：推荐使用Python 3.8+，可通过Anaconda或官方安装包配置。
OpenCV安装：通过pip安装OpenCV-Python包（pip install opencv-python），若需扩展功能可安装opencv-contrib-python。
依赖库：NumPy（数值计算）、Matplotlib（可视化）需同步安装。

1.2 基础图像操作

OpenCV以NumPy数组形式存储图像，支持BGR（蓝绿红）通道格式。以下代码展示图像的读取与显示：

import cv2
# 读取图像（支持JPG、PNG等格式）
image = cv2.imread('coin.jpg')
# 显示图像
cv2.imshow('Original Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、硬币检测核心流程

硬币检测的核心在于通过图像处理技术定位圆形物体，主要步骤包括预处理、边缘检测、轮廓提取与筛选。

2.1 图像预处理

2.1.1 灰度化

彩色图像包含冗余信息，转换为灰度图可提升处理效率：

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

2.1.2 降噪

使用高斯模糊减少噪声干扰：

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

参数(5,5)为核大小，0表示根据核大小自动计算标准差。

2.2 边缘检测

Canny边缘检测通过双阈值法提取清晰边缘：

edges = cv2.Canny(blurred, 50, 150)

低阈值（50）：抑制弱边缘。
高阈值（150）：保留强边缘。

2.3 霍夫圆变换检测

霍夫圆变换（HoughCircles）是检测圆形的经典算法，通过投票机制定位圆心与半径：

circles = cv2.HoughCircles(
    blurred, 
    cv2.HOUGH_GRADIENT, 
    dp=1,        # 分辨率倒数（1表示与输入图像相同）
    minDist=20,  # 圆心最小距离
    param1=50,   # Canny边缘检测高阈值
    param2=30,   # 圆心检测阈值（越小检测越多）
    minRadius=10, # 最小半径
    maxRadius=50  # 最大半径
)

参数调优：param2对结果影响显著，需根据图像调整。
结果解析：circles返回三维数组，格式为[x, y, radius]。

2.4 轮廓提取与筛选（替代方案）

若霍夫变换效果不佳，可结合轮廓检测与几何筛选：

# 二值化处理
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 筛选近似圆形轮廓
for cnt in contours:
    perimeter = cv2.arcLength(cnt, True)
    approx = cv2.approxPolyDP(cnt, 0.04 * perimeter, True)
    area = cv2.contourArea(cnt)
    if len(approx) > 8 and area > 100:  # 多边形边数与面积阈值
        (x, y), radius = cv2.minEnclosingCircle(cnt)
        # 进一步筛选半径范围

三、完整代码示例

import cv2
import numpy as np
def detect_coins(image_path):
    # 读取图像
    image = cv2.imread(image_path)
    if image is None:
        print("Error: Image not found.")
        return
    # 预处理
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    # 霍夫圆检测
    circles = cv2.HoughCircles(
        blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=20,
        param1=50, param2=30, minRadius=10, maxRadius=50
    )
    # 绘制结果
    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            cv2.circle(image, (i[0], i[1]), i[2], (0, 255, 0), 2)
            cv2.circle(image, (i[0], i[1]), 2, (0, 0, 255), 3)
    # 显示结果
    cv2.imshow('Detected Coins', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
# 调用函数
detect_coins('coin.jpg')

四、优化与扩展

4.1 参数自适应

通过图像分析动态调整参数（如根据图像尺寸计算minRadius和maxRadius）。

4.2 多硬币分类

结合面积与颜色信息区分不同面值硬币（需转换为HSV色彩空间进行颜色阈值分割）。

4.3 性能优化

对大图像进行缩放处理。
使用多线程加速处理。

五、常见问题与解决方案

漏检/误检：调整param2和半径范围，或结合形态学操作（如膨胀）增强边缘。
光照不均：使用自适应阈值（cv2.adaptiveThreshold）替代全局阈值。
重叠硬币：需引入更复杂的分割算法（如分水岭算法）。

六、总结

本文从环境搭建到完整代码实现，系统讲解了OpenCV硬币检测的流程。通过霍夫圆变换与轮廓分析的结合，可有效应对多数场景。实际应用中需根据具体需求调整参数，并考虑光照、遮挡等复杂因素。建议读者通过修改参数、替换测试图像深入理解算法原理。

从零开始详解OpenCV硬币检测