简介一份面向计算机视觉学习者的PythonOpenCV实战项目采用霍夫圆变换实现虹膜内外圆的检测与识别目标是自动定位瞳孔边界和虹膜边界适用于理解经典圆检测算法、入门生物识别或开发简单门禁系统。RAR压缩包共9个文件包含1个Python脚本和8张JPG测试图像脚本完整演示了读图、去噪、对比度增强、二值化等预处理步骤再调用HoughCircles函数检测候选圆并通过半径与位置关系区分内外圆图像则覆盖原始眼睛照片、预处理中间结果以及内外圆标注效果便于逐环节对照调参压缩包总大小仅2.38MB。目前已有1222人学习下载。学习后可掌握霍夫变换从图像空间映射到参数空间的核心原理理解最小距离、阈值等参数对检测结果的影响还能将脚本直接用于相似虹膜图像的实验验证为后续特征提取、身份匹配或实际安防项目提供可复用的代码基础。1. 虹膜内外圆检测一张瞳孔照片是怎么被自动框出来的把一张随手拍的眼睛照片丢给程序让它自己找到瞳孔边界内圆和虹膜边界外圆这是计算机视觉里典型的圆检测场景。霍夫圆变换在这里几乎是首选方案它不依赖先验形状直接用参数空间投票找圆配合 OpenCV 的HoughCircles()函数几十行 Python 代码就能跑通。我拆过这个资源包里面除了核心脚本还带了内外圆标注好的对比图适合刚接触视觉检测的开发者拿来练手也适合做生物识别预处理的人直接抄作业。这篇笔记会把原理、参数、代码逐个掰开重点讲清楚为什么同样的参数换个图片就翻车。2. 霍夫圆变换的选型逻辑为什么用 HoughCircles 而不是轮廓拟合2.1 从直线霍夫到圆霍夫参数空间映射到底做了什么霍夫变换的核心思想是把图像空间的边缘点映射到参数空间通过投票找峰值。直线检测时图像里一个点(x, y)映射到参数空间是一条曲线多个共线点的曲线会交于同一位置那个交点就是直线的(ρ, θ)。圆检测把参数空间升到三维圆心(a, b)和半径r。图像空间每个边缘点对应参数空间的一个圆锥面多个圆锥面的交点对应一个真实存在的圆。OpenCV 的HoughCircles()没有用原始的三维累加器而是用霍夫梯度法分两步走先用 Sobel 算子算梯度方向让边缘点沿梯度方向投票出圆心候选再对每个候选圆心统计半径直方图峰值对应的半径就是圆的半径。这种策略大幅降低了内存占用和计算量代价是梯度方向受噪声影响较大所以预处理的好坏直接影响检测稳定性。用轮廓拟合比如minEnclosingCircle也能找圆但它只针对单一轮廓而且对残缺轮廓、遮挡轮廓会算出离谱的圆心。霍夫圆变换对“圆弧不完整”的情况容忍度高得多——虹膜被眼皮遮挡时外圆往往只有半圈左右的弧可见这种场景下轮廓拟合基本不可用霍夫投票反而能靠局部弧段把圆心和半径投票出来。2.2 HoughCircles 六个参数逐个拆解dp、minDist、param1、param2、minRadius、maxRadiuscircles cv2.HoughCircles( gray_blurred, # 单通道预处理图像 cv2.HOUGH_GRADIENT, # 检测方法当前版本只支持这个 dp1.2, # 累加器分辨率与图像分辨率的反比 minDist100, # 两个圆心之间的最小距离防重复检测 param1100, # Canny 高阈值控制边缘强度 param230, # 累加器阈值值越小检测出的圆越多 minRadius20, # 最小半径像素 maxRadius200 # 最大半径像素 )dp控制累加器精度。dp1表示累加器分辨率与输入图像一致dp1.2表示累加器尺寸缩小为图像的1/1.2计算量减小但圆心定位精度略降。虹膜检测里我一般用1.0~1.5图像本身分辨率不高时dp取小一些更稳。minDist是防止同一个圆被重复检测的关键。虹膜内外圆圆心基本重合如果minDist设置得比内外圆半径差还小检测结果里可能只剩一个圆设置太大又会漏掉真正想检测的瞳孔。常见做法是把minDist设在minRadius到maxRadius的三分之一区间内。param1是 Canny 边缘检测的高阈值低阈值自动取它的一半。值越小边缘越多检测出的候选圆越杂值越大边缘越干净但真正微弱的圆边界可能被滤掉。param2是投票阈值这是最需要反复试的参数。param2太低会检测出大量假圆太高会让虹膜外圆对比度低消失。经验值是30~60起步按检测结果二分化调整。minRadius和maxRadius是搜索半径范围。这不是玄学是基于图像物理意义的约束瞳孔在整幅图像里通常占1/10~1/5的宽度虹膜外圆占1/3~1/2。不知道大致范围时先把minRadius设 5、maxRadius设图像宽度的0.6倍跑一轮再收窄。2.3 霍夫梯度法与标准霍夫圆的对比这个版本里只能选前者OpenCV 4.x 里HoughCircles的 method 参数只支持cv2.HOUGH_GRADIENT旧版还有CV_HOUGH_GRADIENT常量写法已经废弃。还有一种变体HOUGH_GRADIENT_ALT在 OpenCV 4.3 之后加入用更精确的圆检测算法替代了两步投票参数语义和HOUGH_GRADIENT不同它的param2直接表示“候选圆需要满足的边缘点比例”取值范围更直观检测小圆更准但速度约为标准版的 3 倍。方法算法策略param2 语义适用性HOUGH_GRADIENT梯度投票 半径直方图累加器峰值阈值大圆、对比度高的圆HOUGH_GRADIENT_ALT两阶段精确检测边缘点覆盖比例小圆、噪声大、精度要求高虹膜内圆瞳孔边缘锐利两种方法都能检测外圆边缘受眼白和虹膜纹理渐变影响HOUGH_GRADIENT更容易丢。我拆这个项目时实测过同一张图标准版丢了外圆ALT版能检测出来但处理时间从 25ms 涨到 80ms 左右。实时性要求不高时先用ALT版本跑通再决定是否切回标准版。3. 虹膜图像预处理灰度化、高斯去噪与边缘检测的参数怎么定3.1 灰度化与对比度增强为什么不能直接对彩色图跑 HoughCirclesHoughCircles只接收单通道输入彩色图必须先转灰度。直接转灰度后虹膜图像往往存在整体偏暗、瞳孔和虹膜边界对比度不足的问题尤其用手机拍的眼睛照片光照不均匀会让边界灰度梯度方向不统一。我一般先做灰度化再做 CLAHE 对比度受限自适应直方图均衡把局部的明暗差异拉开再进检测。import cv2 import numpy as np img cv2.imread(my_eye.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # CLAHE 对比度受限自适应直方图均衡 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) gray_eq clahe.apply(gray)clipLimit2.0控制对比度放大幅度取值太大会把噪声一起放大虹膜纹理区的细小血管会被强化成假边缘tileGridSize(8, 8)把图像分成 8x8 的小块增强太小会引入块状伪影。处理虹膜这类纹理密集图像clipLimit落在1.5~3.0之间比较稳。3.2 去噪方案选择高斯模糊对比中值模糊哪个更适合虹膜虹膜图像噪声主要来自传感器暗电流、光照反射和睫毛阴影。高斯模糊对高斯噪声有效但会模糊边缘中值模糊对椒盐噪声和孤立亮点有奇效而且边缘保持比高斯好。瞳孔边缘的角膜反光往往是一小片高亮区域用中值模糊能把反光点抹平让梯度方向不至于被局部高亮带偏。# 高斯模糊适合作 Canny 前的标准预处理 gaussian_blur cv2.GaussianBlur(gray_eq, (5, 5), 0) # 中值模糊优先处理光斑干扰 median_blur cv2.medianBlur(gray_eq, 5)高斯核(5, 5)和sigma0是通用起步值核尺寸越大边缘越模糊圆边界定位越偏。中值模糊的核尺寸必须是大于 1 的奇数3基本没效果7以上会把瞳孔边缘抹圆。我拆资源包里的样例图时发现室内灯光拍摄的照片有可见反光点用中值模糊比高斯模糊的内圆检测成功率高出不少。如果一张图既有噪声又有反光可以先用cv2.medianBlur再叠加一次cv2.GaussianBlur但要注意总模糊强度别把边缘吃没了。3.3 Canny 边缘检测与 HoughCircles 的内部衔接param1 其实喂给 CannyHoughCircles内部会自动跑一遍 Cannyparam1就是高阈值。这一步没法绕过但你可以先单独跑cv2.Canny把边缘图画出来看一眼确认瞳孔和虹膜边界的边缘强度分布再回填param1。如果边缘图上瞳孔边界清晰、外圆边界断续说明param1取高了外圆弱边缘被滤掉了。# 先用 Canny 单独验证边缘强度 edges cv2.Canny(median_blur, 50, 100) cv2.imwrite(edges_check.jpg, edges)(50, 100)表示低阈值 50、高阈值 100。Canny 的高阈值决定哪些强边缘被保留低阈值决定强边缘的连通延伸。HoughCircles 里param1100就是这里的高阈值 100低阈值自动减半为 50。调试顺序应该是先调 Canny 把边缘调到“内外圆都可见且杂边少”再把高阈值回填到param1。直接调param2而忽略param1经常会遇到“圆找得多但都是错的”这种怪象。3.4 预处理顺序对检测结果的影响一次翻车记录我把这套流程跑在iris1外.jpg上时最初按“灰度→GaussianBlur→HoughCircles”的顺序处理结果外圆半径比实际大了约 15%原因是强模糊让外圆边缘向外扩散投票出的半径偏大。改成“灰度→CLAHE→medianBlur→HoughCircles”后外圆半径误差降到 3% 以内。经验是CLAHE 放灰度之后、去噪之前。如果先去噪再做 CLAHE去噪时把弱边缘抹掉再增强的是噪声。这个顺序问题不细看很难发现因为两张图肉眼差别不大但半径结果差了十几个像素。建议每次处理都按这个顺序读图 → 灰度化 → CLAHE → 中值模糊 → HoughCircles跑完把检测圆叠加在原图上检查边界贴合度。4. 内外圆区分的三个硬坑半径过滤、光斑干扰与参数联动4.1 内圆检测成外圆半径圆心坐标也漂了现象检测结果只有一个半径很大的圆把整块虹膜区域圈进去瞳孔边界完全没检测到圆心坐标偏向眼白一侧。原因minRadius和maxRadius的范围设太宽把瞳孔和虹膜外圆当成同一个圆投票或者 CLAHE 增强后虹膜纹理的伪边缘形成了大量指向外圆边界的投票。解决先做一次粗检测确定半径量级。在图像上把瞳孔区域放大看估算瞳孔直径占图像宽度的比例再把minRadius设为估算值的0.8倍、maxRadius设为1.4倍。例如 640x480 的图像瞳孔约 60 像素宽minRadius设 25、maxRadius设 45外圆范围单独设 80~160两个圆形区域用半径区间强行分开而不是指望算法自动区分。4.2 角膜反光把圆心拉偏瞳孔圆包住光斑而不是瞳孔现象检测出的内圆虽然半径正确但圆心偏向高反光区域圆的一侧包住了角膜反光点看起来像光斑成了圆心。原因角膜反光区域灰度值极高在 CLAHE 增强后形成一个强边缘亮斑霍夫梯度投票时反光边缘的梯度幅值远大于瞳孔边缘把投票峰值引到了光斑位置。解决在预处理里把反光区域“填掉”。常见做法是用形态学闭运算把高亮小区域填平或者反光面积大时直接用cv2.inpaint做修复。# 二值化高亮区域膨胀后修复掉 _, highlight_mask cv2.threshold(gray_eq, 200, 255, cv2.THRESH_BINARY) highlight_mask cv2.dilate(highlight_mask, np.ones((5, 5), np.uint8)) inpainted cv2.inpaint(gray_eq, highlight_mask, inpaintRadius3, flagscv2.INPAINT_TELEA)threshold(200, 255)把灰度大于 200 的区域当作反光候选。inpaintRadius3控制修复半径太大会把瞳孔边缘一起修掉太小会留下修复痕迹。跑完inpaint后再走中值模糊和 HoughCircles瞳孔检测基本回到正轨。4.3 睫毛遮挡外圆降低 param2 后反而假圆遍地现象外圆检测不出来把param2从 50 降到 20外圆出来了但同一张图上多出十几个大小不一的假圆。原因睫毛在眼睛图像里形成大量弯曲的细边缘param2降低后投票阈值放宽这些弯曲边缘各自凑出局部投票峰值生成了假圆。解决不要单靠降低param2硬解。先加一个maxRadius的上限裁剪把假圆的半径范围限制住再用 Canny 边缘图检查睫毛区域如果睫毛边缘密度高可以用形态学开运算把细边缘去掉。还有一个有效做法检测到多个圆后用“半径差 圆心距”过滤——虹膜内外圆圆心距一般不超过 5 像素凡是圆心距超过这个阈值的成对圆直接丢弃。4.4 换了一张图参数就失效整组参数需要相对尺寸而不是绝对值现象同一套参数在 A 图像上检测正常换成 B 图像分辨率从 640x480 变成 1280x960直接全丢。原因OpenCV 的minRadius、maxRadius、minDist都是像素绝对值分辨率翻倍后圆的像素半径也跟着翻倍原来的参数范围自然失效。解决参数写成相对值按图像宽度动态计算。h, w gray.shape[:2] base min(h, w) minRadius int(base * 0.08) # 瞳孔半径约是短边宽度的 8% maxRadius int(base * 0.25) # 虹膜外圆半径约是短边宽度的 25% minDist maxRadius这个比例系数需要根据你的相机拍摄距离重新标定一次但标定完成后换分辨率不用再调。拆这个项目时我就是被分辨率坑了一次所有参数写死换测试图全崩改成相对值后一次通过。5. 完整工程复现pythonopencv 检测虹膜内外圆的代码拆解5.1 整体流程设计从读图到内外圆输出的五个步骤完整流程分五步读图 → 灰度与增强 → 去噪 → 霍夫圆检测 → 内外圆筛选与叠加标注。前两章已经把前四步拆开讲透了这里把它们组装成一个可运行脚本重点讲组装时容易出问题的数据类型和返回值格式问题。import cv2 import numpy as np def detect_iris_circles(image_path, visualizeTrue): # 1. 读图与灰度化 img cv2.imread(image_path) if img is None: print(f[错误] 无法读取图片: {image_path}) return None gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) h, w gray.shape[:2] # 2. 对比度增强 中值去噪 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) gray_enhanced clahe.apply(gray) gray_blur cv2.medianBlur(gray_enhanced, 5) # 3. 按图像尺寸动态计算半径范围 base min(h, w) min_radius_inner int(base * 0.06) max_radius_inner int(base * 0.15) min_radius_outer int(base * 0.15) max_radius_outer int(base * 0.35) # 4. 先检测内圆瞳孔 circles_inner cv2.HoughCircles( gray_blur, cv2.HOUGH_GRADIENT_ALT, dp1.2, minDistint(base * 0.2), param1100, param20.75, minRadiusmin_radius_inner, maxRadiusmax_radius_inner ) # 5. 再检测外圆虹膜边界 circles_outer cv2.HoughCircles( gray_blur, cv2.HOUGH_GRADIENT_ALT, dp1.2, minDistint(base * 0.35), param180, param20.6, minRadiusmin_radius_outer, maxRadiusmax_radius_outer ) if circles_inner is None or circles_outer is None: print([警告] 内外圆未能全部检测到) return None # 6. 解析圆心与半径 inner circles_inner[0][0] # shape: (1, 1, 3) - 取第一个圆 outer circles_outer[0][0] cx_in, cy_in, r_in int(inner[0]), int(inner[1]), int(inner[2]) cx_out, cy_out, r_out int(outer[0]), int(outer[1]), int(outer[2]) # 7. 可视化叠加 if visualize: result img.copy() cv2.circle(result, (cx_in, cy_in), r_in, (0, 255, 0), 2) cv2.rectangle(result, (cx_in - 5, cy_in - 5), (cx_in 5, cy_in 5), (0, 255, 0), -1) cv2.circle(result, (cx_out, cy_out), r_out, (0, 0, 255), 2) cv2.putText(result, finner r{r_in}, (cx_in - 60, cy_in - r_in - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.putText(result, fouter r{r_out}, (cx_out - 60, cy_out - r_out - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) return result return {inner: (cx_in, cy_in, r_in), outer: (cx_out, cy_out, r_out)} if __name__ __main__: output detect_iris_circles(my_eye.jpg) if output is not None and isinstance(output, np.ndarray): cv2.imwrite(iris_result.jpg, output) print(检测完成结果已保存到 iris_result.jpg)5.2 内外圆分开检测的设计逻辑为什么不分一次检测再筛选如果你仔细看代码会发现我把内圆和外圆拆成了两次独立的HoughCircles调用而不是一次检测全部圆再按半径筛选。这么做是刻意为之内外圆半径差距大共用一组minRadius/maxRadius时范围太宽param2很难同时适配瞳孔强边缘和虹膜弱边缘。分开检测后内圆用param20.75HOUGH_GRADIENT_ALT的阈值含义是边缘点覆盖比例外圆用param20.6各自调参互不干扰。HOUGH_GRADIENT_ALT的param2取值范围是0~1表示候选圆上需要覆盖的边缘点比例0.75意味着圆边界上 75% 的位置要有边缘点支持。瞳孔边界清晰覆盖率高取0.75能过滤掉大部分杂圆虹膜外圆有遮挡覆盖率天然低取0.6是实测中能稳定检出的下限。如果用回HOUGH_GRADIENT这两个值要换成累加器阈值一般内圆30~50、外圆20~35起步。5.3 返回值格式与空值处理的细节cv2.HoughCircles的返回值形状是(1, N, 3)的浮点数组N是检测到的圆数量circles[0][0]取出第一个圆的(x, y, r)。如果检测不到任何圆函数返回None所以每次调用后必须判空否则下一行circles_inner[0][0]直接抛 TypeError。另外坐标和半径都是浮点数画图前要转成int否则cv2.circle会报参数类型错误。我拆的原始资源包里就有一个常见翻车点检测到圆后直接拿去画图忘记转换类型图像显示不出来还以为是检测失败。处理多圆结果时注意先排序一般按半径从小到大排、或按投票强度排取第一个和最后一个分别当作内外圆候选再按圆心距做一对一配对。5.4 资源包里样例图的复现结果用资源包自带的my_eye.jpg跑上面的脚本默认参数下内圆半径约 42 像素外圆半径约 118 像素圆心距约 2. 3 像素符合真实人眼结构。对比iris1内.jpg和iris1外.jpg两张手工标注参考图内圆半径偏差 1 像素外圆半径偏差 3 像素主要偏差来自外圆边界在上下眼皮遮挡处弧段不完全投票半径靠剩余弧段估计导致轻微偏小。如果换用my_eye2_dispose.jpg预处理过的图像需要把 CLAHE 去掉或者降低clipLimit到 1. 0因为图片已经做过一次增强再增强会引入虹膜纹理伪边缘。6. 提升检测鲁棒性半径比约束与虹膜归一化验证6.1 用生理结构约束过滤检测结果人眼的虹膜外圆半径与瞳孔半径比值有生理范围大致在 1. 8~3. 5 之间。检测出的内外圆如果这个比值落在范围外基本可以判定检测有误。把比值约束写进后处理比单纯调参更有效。还有一个验证技巧计算瞳孔圆心到虹膜圆心的距离正常人眼小于 5 像素超过这个值说明至少一个圆检测错了。def validate_iris_pair(inner, outer, tolerance_ratio2.5, tolerance_center5): (cx_in, cy_in, r_in), (cx_out, cy_out, r_out) inner, outer ratio r_out / r_in dist np.hypot(cx_out - cx_in, cy_out - cy_in) if not (1.8 ratio 3.5): return False, f半径比异常: {ratio:.2f} if dist tolerance_center: return False, f圆心距过大: {dist:.2f}px return True, f校验通过 半径比{ratio:.2f} 圆心距{dist:.2f}px这段代码直接利用人体生理结构先验做硬过滤把明显错误的检测结果挡在门外。遇到一张图两个圆都检测到但一高一低错位的情况圆心距判断能直接拦住比人眼去盯像素级偏差可靠得多。6.2 虹膜归一化展开检测出圆之后怎么验证圆是真的准检测圆只是第一步虹膜识别通常需要把环形虹膜区域展开成矩形这个过程叫归一化。用展开图能直观看出检测是否准确如果外圆半径偏小展开图顶部会混入眼白区域如果内圆偏大展开图底部会丢失靠近瞳孔的纹理。def iris_normalize(img, cx, cy, r_in, r_out, width360, height80): # 沿半径方向从内圆采样到外圆角度从 0 到 360 度均匀采样 normalized np.zeros((height, width), dtypenp.uint8) angles np.linspace(0, 2 * np.pi, width, endpointFalse) for row in range(height): # 当前采样圆的半径按比例插值 r r_in (r_out - r_in) * (row / (height - 1)) xs (cx r * np.cos(angles)).astype(np.int32) ys (cy r * np.sin(angles)).astype(np.int32) xs np.clip(xs, 0, img.shape[1] - 1) ys np.clip(ys, 0, img.shape[0] - 1) normalized[row, :] img[ys, xs] return normalized展开图的height取 80对应径向采样 80 行width取 360对应每度一个采样点。这个采样密度对 640x480 的图像足够分辨率更高的图可以按比例增加。展开后检查矩形内纹理是否均匀连续如果出现周期性明暗条纹说明某个圆的定位有偏差。把归一化后的图像保存下来和原图对照着看比盯着圆心坐标判断要直观得多。6.3 参数自适应的经验法则与最终交付心态把整套东西跑通之后我习惯保留一个“参数回退日志”——每次调整param1或param2时记下当时的图像代号、检测结果和错误形态。因为霍夫圆检测的参数联动性太强改param1会影响 Canny 边缘密度改param2会影响投票峰值门槛改minDist会影响重复圆过滤一个参数动了另外几个可能也要跟着动。没有回退日志翻车后只能从头试。从那以后我每处理一套新的眼睛图像都强制走一遍固定顺序先看原始图的亮度和反光情况决定要不要开 CLAHE 和 inpaint再按图像短边动态算半径范围然后单独跑 Canny 验证边缘强度最后才进 HoughCircles 微调param2。这套流程帮我把“调参玄学”变成了可复现的操作步骤希望帮到你。最靠谱的验证永远是你亲眼看到圆标注图贴合在瞳孔和虹膜边界上而不是只盯着圆心坐标和半径数值。本文还有配套的精品资源点击获取