HoughCircles 参数的直觉：

图像： 8 位，单通道图像。如果使用彩色图像，请先转换为灰度。

方法：定义检测图像中圆圈的方法。目前，唯一实现的方法是cv2.HOUGH_GRADIENT，对应于 Yuen 等人。纸。

dp：累加器数组的分辨率。投票被分成由 dp 大小设置的正方形。设置太小，只能找到完美的圆圈，设置太高，噪音会协同投票给非圆圈。

minDist：检测到的圆的中心 (x, y) 坐标之间的最小距离。如果 minDist 太小，则可能（错误地）检测到与原始值相同的邻域中的多个圆。如果 minDist 太大，则可能根本无法检测到某些圆圈。

param1：是转发给 Canny 边缘检测器（应用于灰度图像）的数字，表示传递给的阈值 1 Canny(...)。Canny 使用该数字来指导边缘检测：http ://docs.opencv.org/2.4/modules/imgproc/doc/feature_detection.html?highlight=canny

param2：该方法的累加器阈值cv2.HOUGH_GRADIENT。阈值越小，检测到的圆圈越多（包括假圆圈）。阈值越大，可能返回的圆圈就越多。

minRadius：半径的最小尺寸（以像素为单位）。除非您想要在该范围内找到所有可能的圆圈，否则不要设置minRadius和分开太远。maxRadius

maxRadius：半径的最大尺寸（以像素为单位）。除非您希望在该范围内找到所有可能的圆圈，否则不要设置minRadius和maxRadius分开太远。

如果您不知道半径，则必须自动调整超参数：

如果您没有向 HoughCircles 提供正确的半径（+- 15 像素），则输出几乎是无用的，因为它会无缘无故地无缘无故地返回圆形。

但是，如果您不知道半径并且不知道最佳 dp 分辨率和累加器阵列阈值，则有一个技巧。HoughCircles 很快（线性时间？），把 HoughCircles 放在一个循环中，从一个大的 minDist、精细的 dp 分辨率和高累加器投票阈值开始，然后开始猜测你愿意找到的最大圆半径，HoughCircles 什么也不返回. 每次迭代，慢慢减小半径，减小阈值，增加 dp 分辨率。最终 HoughCircles 会找到一个像素完美的圆。

再次执行此过程并从另一侧接近，循环 HoughCircles 开始猜测最小半径，低分辨率，高投票阈值，最终将找到最小和最高质量的圆。如果两个圆在一个共同的圆上达成一致，您可以非常确信找到的圆是高质量的，否则在不同的范围和速度下增加/减少超参数。

HoughCircles 在数学上是精确且完全正确的，它已被证明即使在您不知道半径的情况下也能找到像素完美的圆。通过为您的图像自动调整超参数，找到的圆圈是像素完美的。

您不仅可以使用 HoughCircles 找到圆的中间，还可以使用它来定义圆的边缘渐变的外唇和内唇（亚像素精度）。例如，硬币圆周的外唇或内唇。

必须使用多次迭代的多次传递来为每个图像唯一地自动调整超参数，以慢慢发现哪些圆圈是您想要的。

证明像素完美的准确性：

如果必须证明性能对于工业环境来说是完美的亚像素，那么您无法直观地了解算法在做什么，因此您可以根据自己的需要调整其实现。有关深入指南，请参阅：David Forsyth 和 Jean Ponce 的“计算机视觉：现代方法”，第 2 版，第 10 章关于霍夫变换。

如果您知道要查找的圆的大小，那么最好相应地设置 min_radius 和 max_radius。否则，它将返回任何大小的圆形。

参数 1 和 2 本身不影响精度，可靠性更高。参数 1 将设置灵敏度；圆圈的边缘需要有多强。太高，它不会检测到任何东西，太低，它会发现太多的混乱。参数 2 将设置它需要找到多少个边缘点来声明它找到了一个圆。同样，太高不会检测到任何东西，太低会声明任何东西都是一个圆圈。参数 2 的理想值将与圆的周长有关。