从零开始详解OpenCV硬币检测：原理、实现与优化全攻略

2025年10月12日 互联网

从零开始详解OpenCV硬币检测：原理、实现与优化全攻略

一、引言：硬币检测的应用场景与技术挑战

硬币检测是计算机视觉领域的经典入门案例，广泛应用于自动售货机、货币分拣机、教育实验等场景。其核心挑战在于：硬币尺寸小、表面反光、边缘模糊，且可能存在重叠或遮挡。OpenCV作为开源计算机视觉库，提供了丰富的工具链，可高效解决这类问题。本文将从零开始，逐步解析硬币检测的全流程，帮助读者掌握图像处理的核心方法。

二、环境准备与基础工具

1. OpenCV安装与配置

OpenCV支持Python/C++，推荐使用Python环境（Python 3.6+ + OpenCV 4.x）。安装命令如下：

  1. pip install opencv-python opencv-contrib-python numpy matplotlib

2. 图像处理基础概念

  • 像素：图像的最小单元，由RGB三通道值表示。
  • 灰度化：将彩色图像转换为单通道，减少计算量。
  • 二值化：通过阈值分割将图像转为黑白，突出目标区域。
  • 形态学操作：如膨胀、腐蚀，用于修复边缘或去除噪声。

三、硬币检测的核心流程

1. 图像预处理：从噪声到清晰

（1）灰度化与降噪

原始图像可能存在光照不均或传感器噪声，需先转换为灰度图并降噪：

  1. import cv2
  2. import numpy as np
  4. # 读取图像并转为灰度图
  5. img = cv2.imread('coins.jpg')
  6. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  8. # 高斯模糊降噪
  9. blurred = cv2.GaussianBlur(gray, (5, 5), 0)

关键点：高斯核大小（如5×5）需根据图像分辨率调整，过大可能模糊边缘。

（2）边缘检测：Canny算法的应用

Canny边缘检测通过梯度计算和双阈值分割提取边缘：

  1. edges = cv2.Canny(blurred, 50, 150)  # 低阈值50，高阈值150

参数调优：阈值比例通常为1:2或1:3，需通过实验确定最佳值。

2. 轮廓检测与筛选

（1）查找轮廓

OpenCV的findContours函数可提取所有闭合轮廓：

  1. contours, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

参数说明：

  • RETR_EXTERNAL：仅检测外部轮廓。
  • CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角方向的冗余点。

（2）轮廓筛选：基于面积与圆度

硬币轮廓通常为圆形，可通过面积和圆度筛选：

  1. min_area = 100  # 最小面积阈值
  2. max_area = 5000 # 最大面积阈值
  3. coin_contours = []
  5. for cnt in contours:
  6.     area = cv2.contourArea(cnt)
  7.     if min_area < area < max_area:
  8.         # 计算轮廓的圆度（周长平方/面积，接近圆时值较小）
  9.         perimeter = cv2.arcLength(cnt, True)
  10.         circularity = (perimeter ** 2) / (4 * np.pi * area) if area > 0 else float('inf')
  11.         if circularity < 1.5:  # 圆度阈值
  12.             coin_contours.append(cnt)

优化建议：动态调整面积阈值以适应不同尺寸的硬币。

3. 硬币定位与标记

（1）最小外接圆拟合

对筛选后的轮廓拟合最小外接圆，获取圆心和半径：

  1. for cnt in coin_contours:
  2.     (x, y), radius = cv2.minEnclosingCircle(cnt)
  3.     center = (int(x), int(y))
  4.     radius = int(radius)
  5.     cv2.circle(img, center, radius, (0, 255, 0), 2)  # 绘制绿色圆
  6.     cv2.putText(img, f'R:{radius}', (center[0]-20, center[1]-20), 
  7.                 cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)

（2）非极大值抑制（NMS）

若存在重叠轮廓，需通过NMS去除冗余检测：

  1. def nms_coins(contours, overlap_thresh=0.3):
  2.     boxes = []
  3.     for cnt in contours:
  4.         (x, y), radius = cv2.minEnclosingCircle(cnt)
  5.         boxes.append([x-radius, y-radius, x+radius, y+radius])
  7.     # 使用OpenCV的NMS函数（需转换为矩形框）
  8.     indices = cv2.dnn.NMSBoxes(boxes, [1.0]*len(boxes), overlap_thresh)
  9.     if len(indices) > 0:
  10.         indices = indices.flatten()
  11.     return [contours[i] for i in indices]

四、进阶优化与实战技巧

1. 自适应阈值分割

针对光照不均的图像，可使用自适应阈值替代全局阈值：

  1. adaptive_thresh = cv2.adaptiveThreshold(
  2.     gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
  3.     cv2.THRESH_BINARY_INV, 11, 2
  4. )

2. Hough圆变换的替代方案

Hough圆变换对噪声敏感，可结合边缘检测和轮廓分析：

  1. circles = cv2.HoughCircles(
  2.     blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=20,
  3.     param1=50, param2=30, minRadius=10, maxRadius=100
  4. )

参数说明：

  • dp：累加器分辨率与图像分辨率的反比。
  • minDist：检测到的圆心之间的最小距离。
  • param1：Canny边缘检测的高阈值。
  • param2：圆心检测的阈值（越小检测越多假圆）。

3. 多硬币分类与计数

通过半径或面积统计不同面值的硬币：

  1. radius_counts = {}
  2. for cnt in coin_contours:
  3.     (x, y), radius = cv2.minEnclosingCircle(cnt)
  4.     radius = int(radius)
  5.     # 假设半径范围对应不同面值
  6.     if 10 <= radius <= 15:
  7.         radius_counts['1元'] = radius_counts.get('1元', 0) + 1
  8.     elif 16 <= radius <= 20:
  9.         radius_counts['5角'] = radius_counts.get('5角', 0) + 1
  10. print(f"检测结果：{radius_counts}")

五、完整代码示例

  1. import cv2
  2. import numpy as np
  4. def detect_coins(image_path):
  5.     # 1. 读取图像并预处理
  6.     img = cv2.imread(image_path)
  7.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  8.     blurred = cv2.GaussianBlur(gray, (5, 5), 0)
  10.     # 2. 边缘检测
  11.     edges = cv2.Canny(blurred, 50, 150)
  13.     # 3. 查找并筛选轮廓
  14.     contours, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  15.     coin_contours = []
  16.     for cnt in contours:
  17.         area = cv2.contourArea(cnt)
  18.         if 100 < area < 5000:
  19.             perimeter = cv2.arcLength(cnt, True)
  20.             circularity = (perimeter ** 2) / (4 * np.pi * area) if area > 0 else float('inf')
  21.             if circularity < 1.5:
  22.                 coin_contours.append(cnt)
  24.     # 4. 标记硬币
  25.     for cnt in coin_contours:
  26.         (x, y), radius = cv2.minEnclosingCircle(cnt)
  27.         center = (int(x), int(y))
  28.         radius = int(radius)
  29.         cv2.circle(img, center, radius, (0, 255, 0), 2)
  30.         cv2.putText(img, f'R:{radius}', (center[0]-20, center[1]-20), 
  31.                     cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
  33.     # 5. 显示结果
  34.     cv2.imshow('Detected Coins', img)
  35.     cv2.waitKey(0)
  36.     cv2.destroyAllWindows()
  38. # 调用函数
  39. detect_coins('coins.jpg')

六、总结与展望

本文从OpenCV基础出发，系统讲解了硬币检测的完整流程，包括图像预处理、边缘检测、轮廓分析和结果标记。通过代码实现和参数调优建议，读者可快速上手并优化检测效果。未来可进一步探索深度学习方案（如YOLO）以提升复杂场景下的鲁棒性。掌握这一案例后，读者可迁移至其他圆形物体检测任务，如零件质检、生物细胞分析等。

最新文章