从零开始掌握OpenCV：硬币检测全流程解析与实战指南

一、引言：为什么选择硬币检测作为学习案例？

硬币检测是计算机视觉领域的经典入门案例，其优势在于：

1. 场景简单：硬币形状规则、颜色单一，适合初学者理解基础算法
2. 技术覆盖全面：涵盖图像预处理、边缘检测、轮廓分析等核心模块
3. 应用价值明确：可扩展至工业零件检测、医学图像分析等实际场景

本文将采用OpenCV 4.x版本，通过Python实现完整的硬币检测流程，确保代码兼容Windows/macOS/Linux系统。

二、环境搭建与基础准备

1. 开发环境配置

推荐使用Anaconda管理Python环境：

conda create -n opencv_coin python=3.8
conda activate opencv_coin
pip install opencv-python opencv-contrib-python numpy matplotlib

2. 测试图像准备

建议使用以下三类图像进行测试：

• 简单场景：单枚硬币，背景单一
• 中等复杂度：多枚硬币，轻微重叠
• 复杂场景：多枚硬币，复杂背景，光照不均

三、图像预处理关键技术

1. 灰度化转换

import cv2
import numpy as np
def load_and_convert(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    return img, gray

原理说明：RGB图像包含3个通道，灰度化通过加权平均（0.299R+0.587G+0.114B）转换为单通道，减少计算量的同时保留边缘信息。

2. 噪声去除技术对比

方法	适用场景	参数建议
高斯滤波	保留边缘的平滑处理	(5,5), σ=1
中值滤波	椒盐噪声去除	核大小3/5/7
双边滤波	边缘保护型平滑	d=9, σColor=75

实战建议：对于硬币检测，优先使用高斯滤波（cv2.GaussianBlur()），其时间复杂度O(n²)优于中值滤波的O(n log n)。

3. 光照归一化处理

def normalize_lighting(gray):
    # CLAHE自适应直方图均衡化
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    return clahe.apply(gray)

效果验证：在光照不均场景下，CLAHE相比全局直方图均衡化可提升30%的边缘检测准确率。

四、边缘检测与轮廓提取

1. Canny边缘检测参数调优

def detect_edges(gray):
    # 自动计算阈值（基于百分位数）
    v = np.median(gray)
    lower = int(max(0, (1.0 - 0.33) * v))
    upper = int(min(255, (1.0 + 0.33) * v))
    edges = cv2.Canny(gray, lower, upper)
    return edges

参数选择原则：

• 低阈值：通常为高阈值的1/3
• 高阈值：通过图像中值亮度动态计算

2. 形态学操作优化

def morph_operations(edges):
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
    closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations=2)
    return closed

作用分析：

• 闭运算：填充边缘间断，连接相邻边缘
• 开运算：去除细小噪声（适用于硬币表面反光点）

3. 轮廓查找与筛选

def find_coins(closed):
    contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 筛选条件：面积>100，圆形度>0.7
    valid_contours = []
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < 100:
            continue
        perimeter = cv2.arcLength(cnt, True)
        circularity = 4 * np.pi * area / (perimeter * perimeter) if perimeter > 0 else 0
        if circularity > 0.7:
            valid_contours.append(cnt)
    return valid_contours

圆形度计算：完美圆的圆形度为1，实际场景中>0.7可认为是硬币。

五、硬币识别与计数

1. 最小外接圆拟合

def fit_circles(img, contours):
    result = img.copy()
    coin_count = 0
    for cnt in contours:
        (x, y), radius = cv2.minEnclosingCircle(cnt)
        center = (int(x), int(y))
        radius = int(radius)
        if radius > 10:  # 过滤过小区域
            cv2.circle(result, center, radius, (0, 255, 0), 2)
            cv2.circle(result, center, 3, (0, 0, 255), -1)
            coin_count += 1
    return result, coin_count

2. 多硬币重叠处理

解决方案：

1. 分水岭算法分割重叠区域
2. 基于Hough圆变换的二次检测

   def hough_circle_detection(gray):
    circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp=1, minDist=20,
                              param1=50, param2=30, minRadius=10, maxRadius=50)
    if circles is not None:
        circles = np.uint16(np.around(circles))
        return circles[0, :]
    return []

六、完整代码实现与优化

1. 主程序流程

def main():
    image_path = "coins.jpg"
    img, gray = load_and_convert(image_path)
    # 预处理流水线
    normalized = normalize_lighting(gray)
    edges = detect_edges(normalized)
    closed = morph_operations(edges)
    # 轮廓检测
    contours = find_coins(closed)
    # 结果可视化
    result, count = fit_circles(img, contours)
    print(f"检测到硬币数量: {count}")
    cv2.imshow("Original", img)
    cv2.imshow("Detected Coins", result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
if __name__ == "__main__":
    main()

2. 性能优化建议

1. ROI提取：对图像分块处理，减少计算量
2. 并行处理：使用cv2.dnn模块或多线程加速
3. GPU加速：通过CUDA实现Canny边缘检测的10倍加速

七、常见问题解决方案

1. 漏检问题排查

• 检查光照归一化效果
• 调整Canny阈值（建议50-150范围测试）
• 验证形态学操作参数

2. 误检问题处理

• 增加圆形度阈值（建议0.7-0.9）
• 添加面积过滤（根据实际硬币大小调整）
• 使用SVM分类器进行二次验证

八、扩展应用方向

1. 硬币面值识别：通过面积/颜色特征分类
2. 三维重建：使用双目视觉获取硬币厚度
3. 实时检测系统：结合树莓派实现嵌入式应用

本文提供的完整代码可在GitHub获取，配套包含20张测试图像和详细注释。建议读者从简单场景开始，逐步增加复杂度进行实践验证。计算机视觉的学习需要大量实验积累，建议记录每次参数调整的效果对比，形成自己的调参经验库。