霍夫圆变换实战：Python+OpenCV检测虹膜内外圆与参数调优

简介：资源包以霍夫圆变换为核心，演示了如何用Python与OpenCV对虹膜图像进行内外圆检测与识别，适合计算机视觉初学者和生物识别技术爱好者用于理解圆检测原理与代码实现。压缩包共9个文件，包含1个Python脚本和8张JPG图像，整体仅2.38MB，其中py文件实现霍夫圆检测与内外圆识别流程，图像样本涵盖原始虹膜图、预处理后图像及内外圆标注结果，便于对照调试。目前已有1221人学习下载。通过学习这份资源，读者可以直观掌握HoughCircles函数的关键参数及其作用，学会结合灰度化、边缘检测等预处理手段提高圆检测稳定性，并参考内圆（瞳孔边界）与外圆（虹膜边界）的区分逻辑，形成一套完整的虹膜圆检测思路。虽然包体轻量，但代码结构简洁、样本配套齐全，适合作为课设参考或入门练习，也可以在此基础上继续扩展为更完整的虹膜识别系统。

1. 霍夫圆变换检测虹膜内外圆：几十行代码能跑通的事

霍夫圆变换检测虹膜内外圆，听起来像是生物识别论文里的工作，实际上用 Python 和 OpenCV 就能在本地跑通。我第一次做这个任务，是手头有一批近距离眼睛照片要做瞳孔定位，不想为几十张图训练模型，于是直接捡起经典图像处理里的HoughCircles。整套流程做完后发现，真正影响结果的不是算法有多新，而是预处理和半径参数给不给得准。这个项目把虹膜内圆（瞳孔边界）和外圆（虹膜边界）的检测脚本、示例图都打包好了，适合想快速复现、理解霍夫圆在真实图像中怎么用的人。无论你是做门禁系统原型，还是单纯想把眼睛图像里的圆形区域框出来，这套思路都够用。

2. 原理与选型：为什么虹膜内外圆检测用霍夫圆而不是边缘拟合

2.1 从直线到圆：霍夫变换的参数空间是怎么投票的

霍夫变换本质上是一个投票游戏。以直线检测为例，图像空间里的每一个边缘点，都可以在参数空间里画出一条对应的直线；多个边缘点对应的直线会在参数空间汇聚到同一个点，这个点的坐标就是原始图像里那条直线的方程参数。点汇得越多，峰值越高，就越说明图像里存在一条真实的直线。

圆检测把参数从两个推广到三个：圆心横坐标、纵坐标和半径。理论上需要在三维空间里投票，计算量很大。OpenCV 里的HoughCircles采用的是霍夫梯度法，它先把 Canny 边缘检测跑一遍，拿到每个边缘点的梯度方向，再沿着梯度方向去累加圆心候选，最后对每个圆心统计满足对应距离的边缘点数量。这样一来，三维投票被拆成了两步，速度能压到实时附近。

这里有个容易误解的地方：霍夫圆检测并不是直接拿二值图上的所有白点去投票，而是先用 Canny 提边缘。Canny 的参数param1会直接影响边缘图长什么样，所以你在调HoughCircles的时候，实际上也在间接调 Canny。很多文档只告诉你param1是 Canny 高阈值，却不提醒你它的高低决定边缘密集程度，这会直接影响后面的圆投票。

2.2 内圆与外圆：半径和位置提供的先验

虹膜图像里的内圆是瞳孔边界，外圆是虹膜与巩膜的交界。瞳孔通常是人眼图像里最暗、边界最锐利的区域，因为瞳孔本身接近黑色，在近红外或普通可见光下对比度都高。外圆则麻烦一些，虹膜外边界与眼白之间的灰度差不如瞳孔那么明显，而且上眼睑和下眼睑经常遮挡虹膜上下区域，导致边缘弧段不完整。

这两个圆的几何差异给了我们一个很实用的筛选先验：内圆半径小，外圆半径大；在同一张距离固定的采集图中，两者半径比通常落在二到四倍之间。即便一次检测出五六个候选圆，只要按半径排序，最小的一般是瞳孔，最大的大概率是虹膜外边界。前提是你把minRadius和maxRadius限制在一个合理范围内，否则最小候选可能是高光区域的小圆，最大候选可能是眼皮边缘形成的大弧。

另外，瞳孔中心和外圆圆心在生理上并不是严格重合的，有些人瞳孔天生偏内或偏下。所以不要假设它们共用一个圆心，检测时要分别保存两个圆心坐标。后续做虹膜展开或特征编码时，这个差异如果被忽略，展开出来的环带会出现严重的纹理错位。

2.3 资源包里的文件到底怎么配合用

拿到资源包后，先别急着跑脚本。包里原始图片.jpg和my_eye.jpg是输入图，iris1内.jpg、iris1外.jpg、iris2内.jpg、iris2外.jpg是作者跑出来的检测效果图，my_eye_dispose.jpg和my_eye2_dispose.jpg是预处理后的中间图，主脚本是霍夫圆变换检测虹膜.py。最合理的阅读顺序是：先打开效果图，理解目标长什么样；再看主脚本，把参数与效果对应起来；最后用原始图片.jpg复现一遍。

我习惯先把中间图和最终检测结果并排放在一起看，这样能快速判断问题出在预处理还是霍夫投票阶段。如果你发现中间图里瞳孔边缘都被磨掉了，那后面再怎么调param2都是白费。

3. 环境准备与图像预处理：把照片喂给HoughCircles前的三个动作

3.1 安装与版本：pip install opencv-python 之后还要检查什么

这个资源用的是 Python 加 OpenCV，安装命令很简单。如果你的机器上已经装过其他版本的 OpenCV，建议先确认cv2.__version__再决定要不要重新装，避免依赖冲突。

pip install opencv-python numpy python -c "import cv2; print(cv2.__version__)" python -c "from cv2 import HoughCircles; print(HoughCircles)"

第一行安装的是 OpenCV 的 Python 包，numpy是数字计算基础库，HoughCircles返回的数组要依赖它做 reshape。第二行打印版本号，我目前用的是 4.x，3.x 在某些参数行为上有细微差异。第三行确认函数能被导入，如果报ModuleNotFoundError，大概率是opencv-python没装成功，换成国内镜像源再装一次通常能解决。

这里多说一句，如果你只是跑这几张眼睛图，不需要编译带 CUDA 的 OpenCV，普通 pip 包在 CPU 上处理几百像素的图片已经足够。那些花时间配 Linux CUDA 版本 OpenCV 的场景，是给视频流大分辨率识别的，这个项目用不上。

3.2 读图、灰度化、去噪：把眼睛照片变成霍夫圆爱吃的样子

HoughCircles要求输入单通道灰度图，而且必须是 8-bit。最常见的第一步是读图后直接转灰度，然后做一次中值滤波。

import cv2 img = cv2.imread("原始图片.jpg") if img is None: raise FileNotFoundError("检查图片路径，OpenCV 不打印这个错误") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.medianBlur(gray, 5)

代码里的if img is None很重要。cv2.imread读取失败时只返回None，不会抛异常，如果你直接往下走，后面所有调用都会报出莫名其妙的AttributeError。cvtColor把三通道 BGR 转成单通道灰度，medianBlur的窗口设为 5，作用是去掉高光点带来的椒盐噪声，同时比高斯模糊更保边缘。

预处理不是越多越好。很多新手会在这一步叠加直方图均衡、形态学开闭运算，结果把瞳孔边缘搞出毛刺，霍夫圆反而检不准。我通常只做灰度加中值滤波，如果图像对比度太低，再考虑 CLAHE 局部直方图均衡，但窗口参数要保守，否则外圆区域会出现大量虚假边缘。

3.3 图像尺寸：为什么同一份代码换个分辨率就要重新设半径

霍夫圆检测里的minRadius和maxRadius单位是像素，这直接受图像分辨率影响。同一只眼睛，在 300 像素宽的图里瞳孔半径大约 20 像素，到 1200 像素宽的图里瞳孔半径可能变成 80 像素。如果你拿一份固定半径参数的代码去跑不同来源的图，结果会忽好忽坏。

我一般会先把图像宽度缩放到统一尺度，比如 600 像素，然后再定半径范围。这样参数只调一次，后面所有图都按同一标准进管线。注意缩放要记录比例，最后把检测到的圆心和半径乘回原图尺度，不然你保存标注图时框的位置会错位。

def resize_by_width(gray, target_width=600): h, w = gray.shape[:2] scale = target_width / w resized = cv2.resize(gray, (target_width, int(h * scale))) return resized, scale

这个函数返回缩放后的图和缩放比例。等HoughCircles跑完，把圆心坐标和半径除以scale就能还原到原图坐标。我有一次漏了这个还原，直接在缩小后的图上画标注，拿去报告里用，事后被问“为什么框比眼睛小一圈”，就是因为没处理缩放比例。

4. HoughCircles实战：虹膜内外圆检测脚本与参数调优

4.1 一份可直接跑的检测脚本

把预处理、霍夫圆检测、内外圆筛选和可视化放在一个函数里，方便后续批量调用。

import cv2 import numpy as np def detect_iris(path, blur=5, dp=1, minDist_ratio=0.25, param1=100, param2=60, minR=20, maxR=200): img = cv2.imread(path) if img is None: raise FileNotFoundError(path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.medianBlur(gray, blur) h, w = gray.shape[:2] circles = cv2.HoughCircles( gray, cv2.HOUGH_GRADIENT, dp=dp, minDist=int(max(h, w) * minDist_ratio), param1=param1, param2=param2, minRadius=minR, maxRadius=maxR ) if circles is None: return img, [] circles = np.round(circles[0]).astype(int) circles = sorted(circles, key=lambda c: c[2]) # 按半径排序后，最小的是瞳孔，最大的是虹膜外边界 inner = circles[0] outer = circles[-1] for x, y, r in [inner, outer]: cv2.circle(img, (x, y), r, (0, 255, 0), 2) cv2.circle(img, (x, y), 2, (0, 0, 255), 3) return img, [inner, outer]

代码逻辑分三段。第一段读图转灰度并中值滤波；第二段调用HoughCircles，把检测到的所有候选圆堆到一个列表里；第三段按半径从小到大排序，取最小和最大圆当作内圆和外圆，并在原图上画出来。return img, [inner, outer]让调用方既能保存可视化结果，又能拿到数值坐标。

这段脚本的优点是把参数都暴露成了函数形参，不需要每次改代码，直接改调用参数即可。minDist这里用max(h, w) * 0.25表示两个圆心的最小距离，相当于告诉算法不要找到一堆靠得很近的重复圆，这个值对眼睛图像一般够用。

4.2 六个参数逐一拆解：dp、minDist、param1、param2、minRadius、maxRadius

下面这个表是排查问题的核心，建议收藏。

dp我一般固定为 1，含义是累加器和原图分辨率一致；设成 2 会牺牲一半精度，但速度接近翻倍。minDist是最容易忽略的，如果设太小，同一段瞳孔边缘会被投票出多个圆心相差几个像素的圆，导致排序后取到的“最小圆”其实只是重复圆之一。param2则是玄学重灾区：设 30 会出现十几个候选圆，设 100 可能一个都检不着，我通常从 60 开始，一张图一张图地试。

4.3 内外圆筛选策略：同圆心假设与半径比约束

只按半径最小和最大取圈，在干净图里没问题，但遇到高光、眼睑遮挡或图像质量差时会翻车。更稳的做法是加两个约束：内圆半径与外圆半径的比例要落在 1.5 到 4 之间；内圆圆心和外圆圆心的距离不能超过内圆半径的一半。

def pick_inner_outer(circles): if len(circles) < 2: return None, None # 首先按圆心距离聚类，同簇内选半径最小和最大 candidates = [] for c in circles: for d in candidates: dx = c[0] - d[0] dy = c[1] - d[1] if abs(dx) < 20 and abs(dy) < 20: d.append(c) break else: candidates.append([c]) best = None for group in candidates: if len(group) < 2: continue inner = min(group, key=lambda c: c[2]) outer = max(group, key=lambda c: c[2]) if 1.5 <= outer[2] / inner[2] <= 4.0: best = (inner, outer) break return best

这段代码先把圆心距离相近的圆归到同一个组，相当于认为同一只眼睛检测出的多个候选圆圆心应该接近。然后在每组内部取最小和最大圆作为内外圆候选，最后用半径比过滤掉比例不合理的结果。这样做比单纯全局排序稳定得多，因为眼角的夹缝、眼白的弧线也可能检测出与大圆同半径的干扰圆，但在同圆心约束下它们很难和瞳孔组成合理组合。

5. 避坑与排查：霍夫圆在眼睛照片上的五个翻车现场

5.1 瞳孔高光被误检成小圆

现象：一张图里检测出三四个小圆，其中最小圆不是瞳孔，而是瞳孔高光区域，半径只有五六个像素。

原因：瞳孔中心常有光源反射产生的高光斑，高光边缘对比度极高，Canny 会把它当独立边缘，霍夫投票在小范围内形成一个假峰值。

解决：中值滤波窗口从 5 提到 9，把高光斑磨平一些；同时把minRadius抬高到瞳孔真实半径的一半以上。如果瞳孔在图像里至少 20 像素，minRadius直接设 15，就不会去理会那些 5 像素的小圆。

5.2 外圆被眼睑和睫毛带着跑

现象：外圆半径明显偏大，圆的上半部分贴住上眼皮边缘，或者跟睫毛弧线重合，看起来不像虹膜边界。

原因：虹膜外边界在上下方向被眼睑遮挡，Canny 在眼皮边缘会提取出一条弧段，霍夫投票时这条长弧比不完整的虹膜边界更容易凑出一个大圆。瞳孔又黑又圆，所以内圆没问题，外圆却常年翻车。

解决：收紧maxRadius，不让它去够眼皮位置的大弧；更有效的方式是先把边缘图上下区域抑制掉，只保留左右两侧的虹膜边界参与投票。我写了一个按行加权的 mask，把图像上下各 25% 区域的边缘像素权重降低，然后再跑HoughCircles，外圆稳定很多。

5.3 图像缩放后结果跳变

现象：同一张图，600 像素宽时检测正常，改成 900 像素宽后，内圆忽大忽小，甚至检测出三四个圆。

原因：minRadius、maxRadius和minDist都是像素绝对值，图像放大后半径期望值变了，但参数没跟着变。param2累加器阈值对边缘密度敏感，缩放后边缘数量变化，原本合适的阈值可能累积出大量假圆心。

解决：先固定输入图像宽度，把所有图都缩放到 600 像素再跑检测。记录缩放比例，检测完成后把圆心和半径还原到原始分辨率。如果数据集本身就来自同一设备，分辨率固定，那就没必要缩放，直接标定一次minR/maxR即可。

5.4 HoughCircles 报错和中文路径问题

现象：调用HoughCircles时出现error: (-215:Assertion failed) image.depth() == CV_8U，或者cv2.imread返回None，代码后面一访问gray.shape就崩。

原因：报错是因为传入的不是 8-bit 灰度图，常见情况是忘了cvtColor，把三通道 BGR 图直接丢了进去。返回None则多半是路径里有中文，Windows 上 OpenCV 的imread对非 ASCII 路径支持很差。

解决：先if img is None兜底；中文路径用下面这个替代函数读取：

def imread_chinese(path): data = np.fromfile(path, dtype=np.uint8) return cv2.imdecode(data, cv2.IMREAD_COLOR)

np.fromfile按原始字节读入，imdecode再解码成图像，绕开imread对中文路径的坑。这两个问题只要按这个顺序处理，基本不会再看到奇怪的底层报错。

5.5 内外圆圆心不重合导致展开错位

现象：检测出的内圆和外圆圆心差出十几个像素，如果后面做环带展开时强制用同一个圆心，展开图里的纹理条带斜着走，边缘模糊。

原因：瞳孔中心和虹膜中心本身就存在生理偏差，加上拍摄角度略有倾斜后会放大这个偏差。同一个圆心假设在这类数据上不成立。

解决：把内外圆当作两个独立对象，分别保存各自的圆心。展开环带时，以内圆圆心作为极坐标原点，外圆半径作为最大采样半径，这样瞳孔边界在展开图上是平整的，外圆边界就算有些许偏差，也不会让整条纹理带扭曲。

6. 进阶：环带展开与批量验证，把检测结果真正用起来

6.1 把虹膜环带展开成矩形

画圈只是第一步，虹膜识别或纹理分析通常需要把环形区域展开成矩形，方便后续做特征提取。这段代码用极坐标采样，把内外圆之间的像素搬进一个 64 行 256 列的矩阵。

def unwrap_iris(img, inner, outer, height=64, width=256): icx, icy, r_in = inner _, _, r_out = outer theta = np.linspace(0, 2 * np.pi, width, endpoint=False) radius = np.linspace(r_in, r_out, height) t = theta.reshape(1, -1) r = radius.reshape(-1, 1) map_x = (icx + r * np.cos(t)).astype(np.float32) map_y = (icy + r * np.sin(t)).astype(np.float32) unwrapped = cv2.remap(img, map_x, map_y, cv2.INTER_LINEAR) return unwrapped

这里把内圆圆心作为极坐标原点，theta是 360 度方向的采样角，radius从内圆半径均匀走到外圆半径。cv2.remap会根据映射坐标把原图像素搬到新位置，展开后环带变成矩形，竖方向是径向，横方向是角度。如果展开图纹理斜向跑，回去检查内外圆圆心偏差是否过大。

6.2 批量跑图：把检测结果写进 CSV

到了验证阶段，一张张保存图片效率太低，我会把结果汇总到 CSV 里，顺带保存标注图。

import csv import glob import os results = [] for path in glob.glob("images/*.jpg"): try: img, circles = detect_iris(path) if circles: inner, outer = circles results.append([path, *inner, *outer]) cv2.imwrite("out/" + os.path.basename(path), img) else: results.append([path, "no_circles"]) except Exception as e: results.append([path, "error", str(e)]) with open("result.csv", "w", newline="", encoding="utf-8") as fp: writer = csv.writer(fp) writer.writerow(["file", "inner_x", "inner_y", "inner_r", "outer_x", "outer_y", "outer_r"]) writer.writerows(results)

这段代码遍历images目录下的全部 JPG 文件，逐个调用检测函数，把内圆三个参数和外圆三个参数写入 CSV，同时把画好圆的结果图存到out目录。遇到读图失败或检测不到圆的样本，也会记录状态，这样批量结束后能一眼看出哪些图需要特殊处理。

我自己的习惯是，每次拿到新的眼睛图像集，先把其中三张图拖进脚本里输出中间过程图，确认边缘干净后，再去动霍夫圆参数，而不是上来就玄学调参。这个习惯救了我好几次，每次新数据都强制走一遍“原图、灰度图、边缘图、检测结果图”四张图的对照流程，元凶基本都是预处理或半径范围。希望帮到你。

本文还有配套的精品资源，点击获取