Opencv 如何改进Hough圆变换来检测由散乱点组成的圆

我有一个非常基本的代码，它使用openCV中的标准化HoughCircles命令来检测圆。但是，我的问题是，我的数据（图像）是使用一种算法生成的（用于数据模拟），该算法在r的+-15%（随机在此范围内）范围内绘制一个点（其中r是圆的半径，随机生成的圆在5到10之间（实数））用一个圆的方程来计算360度。（附上一张样本图片）。 现在使用Hough circle命令，我可以通过手动播放参数（通过设置轨迹栏，灵感来自于相同性质的github代码）来检测半径大致相同的圆，但我想自动化这个过程，因为我有1000多个图像，我想一遍又一遍地这样做。有更好的方法吗？或者，如果有人有任何建议，我会非常感谢他们，因为我是图像处理领域的初学者，有物理背景，而不是计算机科学背景。 下面是我的代码的大致示例（不带轨迹栏等）：

Mat img=imread（“C:\\Users\\walee\\Documents\\MATLAB\\plot\u 2.jpeg”，0）；
Mat cimg，副本；
复制=img；
medianBlur（img，img，5）；
GaussianBlur（img，img，大小（1,5），1.1,0）；
CVT颜色（img、cimg、COLOR_GRY 2BGR）；
矢量圆；
霍夫圆（img，圆，霍夫梯度，1，10，94，57，120，250）；
对于（size_t i=0；i

如果所有图像具有相同的性质（黑色轴和点为圆），我建议执行以下操作：

1） 通过查找黑色元素删除axis并将其替换为背景

2） 将颜色反转为黑色背景

3） 执行形态闭合以填充圆并创建更多实心点

4） （可选）如果点的密度很高，可以尝试应用另一种形态学操作，即膨胀，以使数据圈变薄

---

5） 应用Hough循环

我将填充循环并尽快回复您，因为这样做很容易。（因为这是一个模拟，我可以控制我给程序的数据，所以在数据生成过程中，非填充圆只是我的懒惰）。至于反转颜色，我的印象是，对图像进行二值化使图像仅为黑白，我的假设是否错误？这是正确的-二值化使图像为黑白。我只想确保背景是黑色的，前景是白色的。我尝试了所有这些，虽然它确实改善了前几张图片的效果，但程序对更多的图片却失败了。我还想实现一种搜索算法，搜索累加器数组的完美值，以检测最佳的单个圆，但随后程序开始检测比我想要的圆小一点的圆。你能发布一些失败的示例图像吗？马克还找到了一个圆圈和一个你想得到的圆圈

Mat img = imread("C:\\Users\\walee\\Documents\\MATLAB\\plot_2 .jpeg", 0);
Mat cimg,copy;
copy = img;
medianBlur(img, img, 5);
GaussianBlur(img, img, Size(1, 5), 1.1, 0);

cvtColor(img, cimg, COLOR_GRAY2BGR);
vector<Vec3f> circles;
HoughCircles(img, circles, HOUGH_GRADIENT,1, 10, 94, 57, 120, 250);
for (size_t i = 0; i < circles.size(); i++)
{
    Vec3i c = circles[i];
    circle(cimg, Point(c[0], c[1]), c[2], Scalar(0, 0, 255), 1, LINE_AA);
    circle(cimg, Point(c[0], c[1]), 2, Scalar(0, 255, 0), 1, LINE_AA);
}
imshow("detected circles", cimg);
waitKey();
return 0;