做视觉定位的人迟早都会遇到这个需求给一张圆孔图像输出圆心坐标和直径最好还带亚像素精度。网上最流行的方案是轮廓拟合可一到产线就露馅工件带着油污、毛刺、反光Canny加最小外接圆的表现时好时坏。这篇要分享的是我在C#环境里用OpenCV实现的圆卡尺工具——核心代码不多但能稳定干好这件事。所谓圆卡尺简单说就是沿圆周径向布置一排小卡尺每个小卡尺独立在一条半径方向的一维灰度序列上找边缘点最后把所有边缘点拟合成精确圆。这套逻辑不依赖任何商业算法参数全开适合正在做上位机视觉、想脱离黑盒算法、需要稳定测圆的人直接抄走改。1. 为什么找圆不能只靠轮廓拟合圆卡尺的设计动机1.1 轮廓拟合法在真实产线面前有多脆弱先说一次真实翻车经历。某个项目要测圆环工件的内孔直径我一开始用常规路子阈值分割、提取轮廓、最小二乘拟合圆。验证阶段测了几十张图重复性看起来不错最高0.2像素误差都没到。结果一上振动台、加光源、换工件批次问题全冒出来了。原因其实不复杂。轮廓拟合法依赖一个前提提取到的轮廓确实是目标物体的真实边界。但产线图像里这个前提经常不成立。工件表面有轻微划痕阈值分割就会多出一条伪轮廓光照均匀性差边缘附近灰度平台变化Canny的双阈值就会把边缘切成好几段背景里出现其他零件边缘外接圆就直接被吸走。那一刻我就明白工业测量场景里等绝对干净的图像是不现实的算法得主动屏蔽干扰。1.2 卡尺思路把二维图像问题压缩成一维信号问题圆卡尺对上述问题的处理方式完全不同。卡尺的英文是Caliper它的核心思想是在待测边缘两侧划定一条细长的搜索带沿搜索带方向对灰度做投影得到的是一条一维灰度序列。边缘点就是这条序列上灰度变化最剧烈的位置。二维找边要处理各种方向的梯度、噪声和形状干扰复杂度很高。但一维找边就简单得多我先看灰度梯度幅值再按预设极性筛选最后做亚像素插值。每个边缘点都有明确的可解释性它是从哪个角度、哪条半径范围搜出来的。圆卡尺就是卡尺的圆弧版本。你不再沿着直线方向扫而是绕着某个先验圆心沿半径方向一圈一圈向外扫。每个角度上的径向扫描就是一个迷你的直线卡尺几十上百个角度加起来就形成了一圈边缘点。1.3 相比霍夫圆的本质优势有人会问OpenCV里不是有霍夫圆检测吗HoughCircles确实能找圆但它的输出是图像中存在某个圆而圆卡尺的输出是指定搜索带内边缘的精确几何拟合。二者的语义完全不同。霍夫圆对定位粗找有帮助尤其适合圆心位置完全未知的场景。但一旦要做重复测量、精度要稳定到0.05像素级别霍夫投票的离散化、累积器分辨率、邻域抑制参数都会成为瓶颈。圆卡尺则不同它的搜索带由先验约束不参与的像素再多也完全不影响结果每个边缘点带坐标、梯度值、极性、角度后续可以对每个点做质量排序和剔除。这种可审计的特性对自动化产线特别重要。1.4 圆卡尺的适用边界也要说清楚圆卡尺不是万能的。它需要一个大致可信的圆心和半径范围作为搜索先验。完全没有先验、图像里到处是圆的情况下应该先用Blob分析或霍夫粗定位再交给圆卡尺精测。另外圆的边缘必须是一个相对清晰的亮度阶跃。如果边缘是渐变过渡带宽度超过采样步长定位精度也会下降。这类场景要考虑改光源或者用梯度重心算法辅助。2. 源码整体结构与算法流水线2.1 核心类划分我写这个工具时没有把逻辑堆在一两个函数里而是按测量语义拆成三个类参数类、结果类、测量器类。这个划分在工程里非常实用因为上层上位机调用时只需要构造参数对象、拿结果对象不用关心内部处理细节。参数类负责收拢所有可调项搜索半径范围、角度范围、角度步长、采样步长、边缘极性、梯度阈值、亚像素开关、拟合内点迭代次数等。默认值我按照常规工况给了一套进产线后只需针对光照和工件特征微调。结果类则记录了拟合圆心、半径、命中边缘点数、残差、角度覆盖范围、有效性标记。这些字段对上层判定非常关键。测量器类包含主入口方法传入8位灰度图、先验圆心、半径范围、参数对象输出结果对象。2.2 算法流水线各阶段职责整个圆卡尺测量大概分五个阶段下面这张表可以看得很清楚阶段主要职责输入输出参数解析检查角度/半径范围合法性生成扫描配置参数对象扫描配置径向采样沿每个角度取半径方向的灰度序列灰度图、扫描配置一维灰度数组边缘提取在一维序列上计算梯度、筛选峰值灰度数组边缘点坐标序列亚像素插值对梯度峰值做抛物线细化边缘点附近三像素梯度亚像素边缘点圆拟合与剔除最小二乘拟合、迭代剔除离群点全部边缘点圆心/半径/统计量顺序非常固定每一段的输出都是下一段的输入。调试时的好处是出问题可以直接断点看中间结果比如径向灰度数组打印出来是不是采到目标边缘一目了然不用靠猜。2.3 为什么把边缘点数和残差也放进结果很多源码分享只给圆心半径这个我不太认同。工业检测里一个数值报告远不够用。如果拟合圆心非常理想但有效边缘点只搜到十几个说明搜索带可能被遮挡或半径范围不对此时圆参数即便存在也置信度不高。所以我特意在结果里增加三个统计量命中边缘点数、角度覆盖跨度、平均与最大残差。上层设备可以根据这些做二次判定。例如当边缘点命中率低于预设比例、角度覆盖小于180度时直接把这次的尺寸结果判定为可疑触发重新拍照或报警而不是硬把数据发给PLC去执行动作。2.4 环境与依赖代码基于.NET 6NuGet上直接安装OpenCvSharp4.Windows包即可。如果是工业相机SDK采集一般拿到的也是Mat或能转成Mat的灰度数据把BGR转灰度这一步放在调用圆卡尺之前完成工具只认8位单通道Mat。需要注意OpenCvSharp4.Windows的运行时依赖自带OpenCV原生库部署到工控机时要把对应x64目录一起带上。因为工具内部大量用到的是Mat的逐像素采样这一步对内存布局比较敏感我会建议灰度图尽量连续存储不要做奇怪的Region操作。3. 核心实现细节径向采样、边缘提取与亚像素插值3.1 角度步长和采样步长怎么定圆卡尺有两个步长参数一个是角度方向的角度步长一个是半径方向的采样步长含义完全不同千万别混。角度步长决定一圈布置多少个迷你卡尺。比如取2度一圈就是180个边缘点拟合圆时数据很充足取10度就只有36个点拟合稳定性和抗离群点能力都会明显下降。常规情况下2到5度就够越小计算量线性增长但对精度提升并不成正比。实测角度步长从5度缩到1度边缘点密集了很多最终圆参数变化通常在0.01像素量级基本可以忽略。采样步长是沿半径方向取灰度点的间隔。如果图像清晰、边缘陡峭1像素步长就已经足够如果边缘稍有模糊可以先用高斯平滑再减到0.5像素步长定位会更稳。这里不需要小于0.5像素因为普通工业相机光学分辨率就那么多过度插值不会带来真实信息反而把噪声放大。3.2 径向灰度采样双线性插值径向采样与像素坐标对齐这回事千万别太较真。因为角度是任意值半径方向上的点几乎不可能刚好落在整数像素上所以必须做插值。最常用的就是双线性插值效果足够且计算量很小。核心采样代码private float SampleBilinear(Mat gray, float x, float y) { int x0 (int)Math.Floor(x); int y0 (int)Math.Floor(y); int x1 x0 1; int y1 y0 1; if (x0 0 || x1 gray.Cols || y0 0 || y1 gray.Rows) return 0f; float fx x - x0; float fy y - y0; float v00 gray.Atbyte(y0, x0); float v10 gray.Atbyte(y0, x1); float v01 gray.Atbyte(y1, x0); float v11 gray.Atbyte(y1, x1); return v00 * (1 - fx) * (1 - fy) v10 * fx * (1 - fy) v01 * (1 - fx) * fy v11 * fx * fy; }这里允许超出图像边界时返回0但生产代码里我建议在调用前就把搜索范围约束在图像内部或者把越界采样点的梯度置为无效避免边缘被拉到图像边缘外。3.3 一维梯度计算与峰值筛选拿到一条灰度序列后边缘检测其实就三步求梯度、按极性筛、按幅值筛。梯度我推荐用中心差分也就是g[i] gray[i1] - gray[i-1]相比前向差分它的锚点更居中配合后续亚像素插值时误差更小。边界点的梯度无法计算直接跳过。极性参数很关键。工件是暗背景亮工件边缘方向就是从暗到亮我们找的是梯度正值峰如果搜索带从亮背景进入暗工件找的就是负值峰。最怕的是极性设反算法稳定地定位在错误的那条边上而且是亚像素精度地错极其隐蔽。可以顺手用代码片段表示这个筛选逻辑int bestIdx -1; float bestScore polarity EdgePolarity.DarkToLight ? float.NegativeInfinity : float.PositiveInfinity; for (int i 1; i n - 1; i) { float grad profile[i 1] - profile[i - 1]; if (polarity EdgePolarity.DarkToLight grad edgeThreshold) continue; if (polarity EdgePolarity.LightToDark -grad edgeThreshold) continue; float score Math.Abs(grad); if (polarity EdgePolarity.DarkToLight grad bestScore || polarity EdgePolarity.LightToDark grad bestScore || true score Math.Abs(bestScore)) { bestIdx i; bestScore polarity EdgePolarity.DarkToLight ? grad : grad; } }实际工程里峰值筛选一般用幅值最大的峰。但有一种特殊情况要小心搜索带同时跨过多个边缘比如孔内壁台阶加外壁此时最强的峰不一定是要测的那个。遇到这种情况我建议增加一个第一边缘选项也就是从搜索起始端出发遇到第一个超过阈值的峰就停。这个策略对付内壁划痕类干扰非常有效。3.4 抛物线亚像素插值一旦确定了整像素峰值位置peakIdx亚像素细化就水到渠成。思路是对峰值左右三个点的梯度做抛物线拟合抛物线的极值点就是亚像素边缘位置。公式private float SubPixelOffset(float[] grad, int peak) { float gPrev grad[peak - 1]; float gCur grad[peak]; float gNext grad[peak 1]; float denom gPrev - 2f * gCur gNext; if (Math.Abs(denom) 1e-6f) return peak; float delta 0.5f * (gPrev - gNext) / denom; return peak delta; }注意这个delta是相对于peakIdx的偏移量最后要换算成实际坐标。换算公式 实际半径 rMin (peakIdx delta) * sampleStep实际坐标 圆心 实际半径 * 方向向量。抛物线插值的前提是梯度峰两侧曲线接近抛物线。实际图像中只要边缘没有严重过曝或运动模糊这个假设都成立。如果图像对比度特别低可以用高斯峰拟合代替抛物线但计算量会大一些常规做抛物线就好。4. 最小二乘圆拟合与异常值剔除精度在这里抠出来4.1 OpenCV并没有现成的fitCircle这里必须先提一个很多初学者会踩的坑OpenCV虽然有fitEllipse但并没有直接提供最小二乘圆拟合的API。为什么因为圆的代数形式做线性最小二乘虽然在数学上简单但OpenCV官方没有把它作为基础函数放出来。所以自己实现几乎是必选项。最常见的实现是Kasa方法也就是把圆的隐式方程写成x² y² ax by c 0目标是让每个边缘点到这个代数圆方程的误差最小。把它看作关于a、b、c三个未知数的线性最小二乘问题可以直接用正规方程解出来。圆心 (-a/2, -b/2)半径 sqrt((a² b²)/4 - c)。实现代码public static CircleFitResult FitCircleLeastSquares(ListPointF points) { float sumX 0, sumY 0, sumX2 0, sumY2 0, sumXY 0; float sumX3 0, sumY3 0, sumX2Y 0, sumXY2 0; foreach (var p in points) { float x p.X, y p.Y; sumX x; sumY y; sumX2 x * x; sumY2 y * y; sumXY x * y; sumX3 x * x * x; sumY3 y * y * y; sumX2Y x * x * y; sumXY2 x * y * y; } int n points.Count; float C n * sumX2 - sumX * sumX; float D n * sumXY - sumX * sumY; float E n * sumX3 n * sumXY2 - sumX * (sumX2 sumY2); float G n * sumY2 - sumY * sumY; float H n * sumX2Y n * sumY3 - sumY * (sumX2 sumY2); float denominator C * G - D * D; if (Math.Abs(denominator) 1e-6f) return null; float a (H * D - E * G) / denominator; float b (H * C - E * D) / denominator; float c -(a * sumX b * sumY sumX2 sumY2) / n; float cx -a / 2f; float cy -b / 2f; float r (float)Math.Sqrt(Math.Max(0, (a * a b * b) / 4f - c)); return new CircleFitResult(cx, cy, r); }这段公式我验证过多次放在点集比较均匀、覆盖角足够的情况下精度完全够用。但要注意当分母接近0说明点集接近共线或重合此时直接判定拟合失败不要硬算。4.2 一个离群点能把结果带偏多少最小二乘的天然弱点是离群点。举例一圈180个边缘点其中有3个点扫到了螺纹毛刺上位置偏离真实边缘5像素。这3个点对平方误差的影响是其他点的上百倍最终圆心和半径整体被拉偏可能达到0.5到1像素。对这个问题的处理我没上来就上RANSAC原因是有更好用、更稳定的做法迭代残差剔除。第一步用全部点拟合出初始圆第二步计算每个点到圆心的距离与当前半径的残差第三步设定残差阈值通常0.3到0.8像素超过就去掉第四步用剩余点重新拟合重复2到3次。这个思路简单粗暴但非常稳定前提是离群点占比不高。如果离群点超过30%就得考虑RANSAC或者收紧搜索范围了。4.3 固定圆心后重新估计半径还有一个实操心得是很多人最容易忽略的最终半径不要直接取Kasa解出的半径r而是把拟合圆心固定下来重新对每个边缘点求欧氏距离再取平均。原因在于Kasa是代数最小二乘它对半径的估计和圆心误差是耦合的某个方向上有几个离群点半径会连带漂移。而固定圆心后的平均距离物理意义清晰就是这一圈边缘点的平均半径。实测同样一批边缘点这两种半径算法可能会有0.02到0.05像素的差异对于高精度测量来说这点差异足以决定是否过检。4.4 圆弧覆盖不足时的病态问题圆拟合最怕的不是噪声是覆盖角度不足。边缘点只覆盖了90度圆弧时拟合出的圆可以在法线方向上自由滑动圆心位置不稳定半径也会跟着大幅波动这是几何上的病态不是算法能解决的。我的处理办法是在结果里输出角度覆盖跨度。当跨度小于180度时把置信度降低并且在实际测量直径时优先采用固定圆心求平均半径的保守策略。如果要进一步压缩漂移可以在迭代拟合时加一个半径先验权重相当于在残差公式里增加(r - rPrior)²项让半径不容易跑飞。这个做法尤其适合套筒类半圆孔测量。5. 实拍调试中的坑与参数调优清单5.1 圆心先验跑偏导致搜索带失效圆卡尺非常依赖圆心先验。有一次我把粗定位圆心给偏了15个像素而半径搜索带只设了10像素结果有一半角度的径向搜索根本没有碰到真实的圆环边缘剩下的边缘点拟合出一个歪七扭八的圆。后来我总结了一套稳妥的流程第一遍用大范围搜索或Blob粗定位拿到大概圆心第二遍以粗定位圆心为中心把半径范围收窄到目标圆尺寸附近重测第三遍再用前面测得的圆心直径做最终微调。三个步骤串起来稳定性好得多。5.2 双边缘与内壁毛刺的干扰孔类零件经常遇到这类问题搜索带同时扫过内壁倒角、孔底台阶、外圆边缘一维灰度序列里可能出现好几个极值峰。如果你取最强峰很容易被一个面积大但梯度也大的伪边缘吸走。这里我的建议是引入边缘选择策略参数三种可选最强峰、最靠近搜索起点的峰、最靠近圆心的峰。测内孔时内壁的倒角通常出现在最外侧选择最靠近圆心的峰往往更可靠。测外圆时反过来。这个参数单独拎出来比反复调阈值救场高效得多。5.3 反光区域的假峰与极性跳变金属工件刮擦痕、点光源高光、表面油膜都会引发奇怪的灰度变化。最典型的是目标边缘附近出现高光梯度峰值落在镜面反射过渡带上边缘被稳定地吸偏。这类问题不是算法微调能解决的。我能给出的实用建议有三个按优先级排序调整光源用低角度环形光或同轴光压制镜面反射对搜索边缘加连续性约束如果某个角度的边缘半径和相邻角度变化超过预设值就把这个点判为离群曝光稍微降一点让高光区灰度不要击穿。务必记住圆卡尺对局部噪声容忍度高但梯度峰值质量的上限由图像决定算法不能凭空创造边缘。5.4 性能优化与多圆并行一个圆角度步长取3度就是120个方向每个方向采样30个点总共3600次双线性采样在C#里耗时不到1毫秒。算上拟合、剔除、转换整个工具跑10毫秒以内很轻松。如果视觉程序里要同时测十几个圆按串行方式一帧画面可能就要上百毫秒。这时最简单的优化是并行测量。同一张Mat并行读是线程安全的只要不写它可以放心Parallel.For。每个圆只在自己的参数上下文中跑互不干扰。另外提一个细节灰度图是8位单通道时用Mat.At (y, x)逐点读没太大问题但如果测量圆数量很多建议把整张图像转成byte数组再做插值省掉Mat内部的类型检查和边界逻辑整体能提升20%到30%。5.5 精度验证的习惯做法工具写完之后精度验证别只看一两张图。我的做法是固定相机和光源把标准量块或者标准环规放到视场里连续拍30到50张图统计圆心和半径的标准差。这个标准差就是静态重复性能稳定压到0.05像素以内才算合格。与此同时还要做动态验证把工件稍微转几个方向重拍每次圆心坐标和半径的偏移量要远小于公差容限。两个指标都过了这个工具才算真正能上产线而不只是demo里能跑。最后再分享一个个人习惯圆卡尺参数表我会列成配置文件记录每个项目的光照、极性、角度范围、阈值、拟合剔除阈值。换机台、换光源时先对比老配置再调参数比从零开始摸快得多。工具本身开源的意义不仅仅在于能跑更在于你能够还原每一步测量逻辑、改造成适合自己工况的形态。后续有需要的话还可以在这个框架上扩展椭圆卡尺、圆弧卡尺、双圆同心度测量核心边缘提取和拟合模块几乎不用动。
