企业官网建设流程全解析

做了几年机器视觉，真正被问到最多的功能，永远是“把图里的几个圆找出来，再把圆心间的距离算清楚”。不管是圆形工件定位、多孔板的孔位检测，还是药片排列计数、轴承滚珠测量，本质都是同一件事：在图像中稳定地检出多个圆，拿到圆心坐标，再计算距离。Halcon这套工业视觉库在处理这类需求时效率很高，但如果方法选错、参数靠猜，照样会翻车。这篇不绕弯子，直接把我在Halcon里处理“多个圆 + 圆心距离”的完整代码和调参思路拆开讲，适合刚接触Halcon的，也适合已经能跑通Demo、一到复杂图像就露馅的兄弟参考。

1. 先看清楚问题：多圆测量项目的真实需求往往是什么

1.1 典型场景：从零件定位到孔心距检测

我接触过的项目里，“找圆+测距”一般落在这么几类场景上：

• 机械臂抓取前的圆形工件定位，要的是圆心在图像坐标系里的准确位置；
• 法兰盘、PCB板、外壳上的孔径检测，要的是孔心距是否超差；
• 圆形目标计数，比如药片、胶囊、滚珠，要的是“有几个圆”以及它们大概在哪；
• 圆形零件的外径或内径测量，要求亚像素级的半径拟合。

这些需求表面上都叫“找圆”，但实际侧重点不一样：定位场景更看重圆心稳定，测量场景更看重精度，计数场景更看重不漏检。所以在动手写代码之前，先问清楚一个问题：客户到底要的是坐标，还是距离，还是半径？这决定了整个代码链路的长短。

本文标题里的“多个圆+圆心距离”是这几类需求里最典型的组合：先把所有圆找全，再算出两两圆心之间的距离。理解了这一点，后面的所有步骤都围绕“稳定检出 + 准确输出坐标 + 正确算距离”展开。

1.2 “找圆”到底要找什么

在Halcon里，一个圆最终表现出来的是一组数值：

• 圆心坐标：Row和Column，注意Halcon里行列坐标对应图像的Y和X方向，别和常规的x/y搞混；
• 半径：Radius，单位是像素；
• 如果需要测距，再根据两个圆心坐标算出欧氏距离。

当图像里有多个圆时，Row、Column、Radius都是以元组（tuple）形式输出的，每个下标对应一个圆。后续算距离实际上就是对这两个元组做配对计算。所以有一个非常容易被忽略的点：Row、Column、Radius三者的顺序必须保持一致，否则后面算出来的距离全是错的。

1.3 Halcon环境和版本说明

本文代码基于 HDevelop 编写，从 Halcon 17.12 到最新版本都能直接运行。老版本唯一要注意的是个别算子签名可能略有差异，但threshold、connection、select_shape、gen_contour_region_xld、fit_circle_contour_xld、distance_pp这几个核心算子在近十年内没有大变化，可以直接放心用。

安装激活这块就不展开说了，网上关于 Halcon 下载、安装教程、License 激活的流程已经很多，按官方步骤操作即可。需要注意的是安装的时候尽量选择完整安装，否则可能缺少深度学习或某些扩展库，但对本文涉及的测量功能没有影响。

2. 找圆的两条技术路线，选哪条得看图像条件

很多新手一上来就问“用哪个算子找圆”，其实这不是最优先的问题。最优先的问题是：你的图像里的圆，是以什么形式存在的。

2.1 路线A：阈值分割 + 区域筛选 + 轮廓拟合

这是我最常用也最推荐先试的方案，思路很简单：

1. 用threshold把目标从背景里分离出来；
2. 用connection把连通的区域拆成一个个独立目标；
3. 用select_shape按面积、圆度等特征筛掉非圆目标；
4. 用gen_contour_region_xld提取区域外轮廓；
5. 用fit_circle_contour_xld拟合出圆心和半径。

这条路线最大的优点是：一个圆天然对应一个连通区域，不存在“一个圆被拟合成多个圆”的问题。而且代码量少、速度快，对于背景干净、圆与背景灰度差异明显的图像，效果非常好。

缺点也明显：如果两个圆靠得很近甚至粘连，connection会把它们当成一个大区域，导致漏检；如果圆不是实心色块而是线条圆环，区域的外轮廓就会变得很复杂，拟合容易出偏差。

2.2 路线B：亚像素边缘 + 圆弧拟合

当图像里的圆带纹理、边缘模糊，或者目标本身只是轮廓线时，阈值分割很难把圆的区域干净地抠出来。这时候用边缘法会更靠谱：

1. edges_sub_pix提取亚像素边缘；
2. segment_contours_xld把边缘段拆成直线和圆/圆弧；
3. select_contours_xld筛掉短线噪声；
4. fit_circle_contour_xld对圆弧做圆拟合。

这条路线的精度潜力更高，但有个很烦人的问题：一个完整圆形边缘会被拆成好几段圆弧，每个圆弧都能独立拟合出一个圆，结果里会出现一堆圆心非常接近的“同一颗圆”。后续必须做去重处理，代码链路变长，调参也更讲究。

2.3 两条路线的对比和选型建议

我把两条路线的特性整理成一张表，方便对照：

我的选型习惯是：先跑路线A，确认图像能不能干净分割，再考虑要不要上路线B。多数实际项目里，只要打光正常、背景可控，路线A已经足够。没有必要为了“看起来更专业”把所有算子堆上去。

3. 完整HDevelop代码逐段拆解：从读图到输出圆心距离

下面给出完整代码。为了照顾不同基础的读者，我先按步骤拆开讲，最后再贴一个可以直接复制的基础模板。

3.1 第一步：读图与灰度化

* Read image read_image (Image, 'circles.png') * Convert to gray if needed count_channels (Image, Channels) if (Channels == 3) decompose3 (Image, R, G, B) convert_image_type (R, GrayImage, 'byte') else copy_image (Image, GrayImage) endif

第一步看起来基础，但有两个细节值得注意。

第一，Halcon里很多算子对输入图像的类型和通道数是有要求的。彩色图直接做threshold不是不行，但三个通道混在一起会让阈值选择变得很不可控。所以我的习惯是统一先转灰度，后面所有的处理都在灰度图上进行。

第二，decompose3会拆出 R、G、B 三个通道，我通常只用 R 通道或者 G 通道来转灰度，而不是用rgb1_to_gray做标准加权转灰度。为什么？因为如果拍摄时用了红色光源、红色滤光片，某些通道的对比度会远好于其他通道，选对了通道能让后续分割省一大半功夫。

3.2 第二步：阈值分割与候选区域筛选

* Optional denoise median_image (GrayImage, ImageMedian, 'circle', 3, 'mirrored') * Binarize: assume circles are darker than background threshold (ImageMedian, Regions, 0, 100) * Split connected regions connection (Regions, ConnectedRegions) * Select circular regions by area and circularity select_shape (ConnectedRegions, SelectedRegions, ['area', 'circularity'], 'and', [200, 0.5], [10000, 1.0])

这步是整个流程里最需要动脑的地方。

threshold的上下限怎么定？我一般不会拍脑袋填数字。有两种常用做法：

• 先看灰度直方图。HDevelop里可以用gray_histo统计灰度分布，然后观察目标和背景的两个峰分别落在什么灰度区间，再取一个中间值；
• 直接开一个窗口拖滚动条试阈值，threshold配合connection反复看效果，速度也很快。

select_shape里的area和circularity是两条硬性过滤规则。area限制面积范围，单位是像素；circularity是圆度，计算方式基于区域面积和周长的关系，最大值是1，越接近1越像圆。正方形大约是0.785。

一个常见误区是上来就写circularity要大于0.8。如果圆的边缘有锯齿、有毛刺，或者区域本身带个小孔，圆度值会被拉低，结果把目标全筛掉了。更稳的做法是先用select_shape把面积范围框住，把圆度阈值先放宽到0.4左右，看看到底漏了哪些目标，再逐步收紧。

3.3 第三步：提取轮廓并拟合圆

* Extract outer contour of each region gen_contour_region_xld (SelectedRegions, OuterContours, 'border') * Fit circles fit_circle_contour_xld (OuterContours, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)

gen_contour_region_xld的'border'表示提取区域的外边界。因为我们前面筛出来的是实心圆区域，所以外边界就对应圆的边缘。

fit_circle_contour_xld参数很多，但常用参数不多：

• Algorithm：拟合算法。默认可以选'algebraic'，速度快；如果边缘有噪声或离群点，改用'ahuber'或'atukey'这类鲁棒算法，代价是速度稍慢；
• MaxNumPoints：参与拟合的最大点数，-1表示全部；
• MaxClosureDist：判断轮廓首尾距离多近时认为它是闭合圆，设0表示不关心闭合性；
• ClippingEndPoints：裁剪轮廓端点的数量，设0表示不裁剪；
• Iterations：迭代次数，默认3够用，精度要求高可以加到5；
• ClippingFactor：离群点裁剪因子，默认2，通常不需要动。

这里我强烈建议先选'algebraic'跑通，看结果稳定之后，再试'ahuber'对比一下偏差。不要一开始就上最复杂的参数组合，否则出了问题都不知道该查哪一边。

3.4 第四步：圆心距离计算与批量输出

* Open a window and display the result dev_open_window_fit_image (GrayImage, 0, 0, -1, -1, WindowHandle) dev_display (GrayImage) * Draw fitted circles for visualization gen_circle_contour_xld (Circles, Row, Column, Radius, 0, 6.28318, 'positive', 1.0) dev_set_color ('green') dev_set_line_width (2) dev_display (Circles) * Calculate distance between the first two circles NumCircles := |Row| if (NumCircles >= 2) distance_pp (Row[0], Column[0], Row[1], Column[1], DistancePixels) set_tposition (WindowHandle, 20, 20) write_string (WindowHandle, 'Distance between circle0 and circle1: ' + DistancePixels + ' px') endif

distance_pp算的是两个像素点之间的欧氏距离，输入是(Row1, Column1, Row2, Column2)，输出是距离。

如果圆的数量超过两个，或者你要的是“所有圆之间的两两距离”，可以写一个双层循环：

if (NumCircles >= 2) for i := 0 to NumCircles - 2 by 1 for j := i + 1 to NumCircles - 1 by 1 distance_pp (Row[i], Column[i], Row[j], Column[j], Distance) set_tposition (WindowHandle, 40 + 30 * (i * NumCircles + j), 20) write_string (WindowHandle, 'D(' + i + ',' + j + ') = ' + Distance + ' px') endfor endfor endif

这里要注意write_string输出到窗口时，不同行的Row坐标不能重叠，我用了40 + 30 * (...)来错开行距。如果圆太多、输出行数超出窗口高度，建议改成写文件。

输出到文件也很简单：

open_file ('result.txt', 'write', FileHandle) for i := 0 to NumCircles - 1 by 1 fwrite_string (FileHandle, 'Circle ' + i + ': Row=' + Row[i] + ', Col=' + Column[i] + ', R=' + Radius[i] + '\n') endfor close_file (FileHandle)

3.5 可直接复制的基础模板

下面这段是把上面所有步骤拼起来的完整HDevelop脚本，复制后把图像路径改成自己的就能跑：

* Basic template: find multiple circles and measure center distance read_image (Image, 'circles.png') count_channels (Image, Channels) if (Channels == 3) decompose3 (Image, R, G, B) convert_image_type (R, GrayImage, 'byte') else copy_image (Image, GrayImage) endif median_image (GrayImage, ImageMedian, 'circle', 3, 'mirrored') threshold (ImageMedian, Regions, 0, 100) connection (Regions, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, ['area', 'circularity'], 'and', [200, 0.5], [10000, 1.0]) gen_contour_region_xld (SelectedRegions, OuterContours, 'border') fit_circle_contour_xld (OuterContours, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder) dev_open_window_fit_image (GrayImage, 0, 0, -1, -1, WindowHandle) dev_display (GrayImage) gen_circle_contour_xld (Circles, Row, Column, Radius, 0, 6.28318, 'positive', 1.0) dev_set_color ('green') dev_set_line_width (2) dev_display (Circles) NumCircles := |Row| if (NumCircles >= 2) distance_pp (Row[0], Column[0], Row[1], Column[1], DistancePixels) set_tposition (WindowHandle, 20, 20) write_string (WindowHandle, 'Distance: ' + DistancePixels + ' px') endif

把这个模板跑通之后，再去应对各种复杂图像就有底了。

4. 多圆场景最容易翻车的四个坑，我的排查建议

代码跑通只是开始，真正让人头大的是各种“看起来没问题，结果就是不对”的情况。下面这几个坑我基本每次做多圆项目都会遇到。

4.1 圆与圆粘连，区域被合并成一个

现象：两个圆靠得很近、甚至边缘接触，connection之后它们被当成一个葫芦形区域，最后拟合出来的只有一个圆，或者拟合出个不圆不扁的东西。

排查方法：先看threshold后的Regions显示结果，确认粘连发生在哪个环节。如果是区域合并了，再往下查。

解决思路：

• 优先从打光和背景入手，尽量让圆和圆之间留出黑色缝隙；
• 如果缝隙已经存在但很细，可以用开运算把细缝撑宽，再用connection分离；
• 如果圆之间完全接触，可以试试距离变换加分水岭：

distance_transform (Regions, DistanceImage, 'chamfer', 10, 10) watersheds_threshold (DistanceImage, Basins, 10) connection (Basins, ConnectedBasins)

分水岭能把粘连区域切成分块，但这个方法对参数敏感，而且分出来的区域边界可能不完整，拟合效果不一定好。我的建议是：分水岭是最后手段，不是第一选择。如果可以通过调整光源或机械定位让圆之间真正分开，代码上能省掉一多半麻烦。

4.2 圆度筛选阈值选错，候选区域被误删或漏删

现象：select_shape之后，该保留的圆少了，或者该滤掉的噪声留下了。

排查方法：把筛出来的区域dev_display出来，再在原图上叠加查看。如果少了，八成是circularity阈值设得太高；如果多了，可能是area范围没卡紧。

解决思路：不要靠猜，而是把每个候选区域的真实特征值打印出来。用area_center (Regions, Area, Row, Column)、circularity (Regions, Circularity)看到数值分布后，再回头定阈值区间，一次就能定准。

另外要注意，circularity是基于区域面积和周长算的。如果圆区域边缘有锯齿，周长会偏大，圆度值会偏低。这种情况下强行提高圆度阈值，等于把所有目标全部删掉。我的习惯是：先看真实值分布，再给定阈值区间，并且前后留10%的余量。

4.3 一个圆被拟合成多个结果

现象：走路线B（边缘法）时，Row、Column元组里出现了好几组非常接近的圆心，半径也差不多，明显是同一颗圆被反复拟合了。

原因：edges_sub_pix得到的一整圈边缘，经过segment_contours_xld会被拆成很多条圆弧，每条圆弧都能独立拟合出一颗圆。

解决思路：在算法链路里加一道去重，按圆心距离聚类，把圆心距离小于某个阈值的圆合并成一颗。简单写个过滤逻辑：

MinDist := 5.0 FilteredRow := [] FilteredCol := [] FilteredRadius := [] for i := 0 to |Row| - 1 by 1 IsDuplicate := 0 for j := 0 to |FilteredRow| - 1 by 1 distance_pp (Row[i], Column[i], FilteredRow[j], FilteredCol[j], TmpDist) if (TmpDist < MinDist) IsDuplicate := 1 break endif endfor if (IsDuplicate = 0) FilteredRow := [FilteredRow, Row[i]] FilteredCol := [FilteredCol, Column[i]] FilteredRadius := [FilteredRadius, Radius[i]] endif endfor

MinDist要根据图像里圆的像素尺寸来设，一般取图像对角线长度的1%左右够用。去重后的FilteredRow、FilteredCol才是最终可信的圆心列表。

说实话，如果项目里用不到亚像素边缘的高精度，我宁愿一开始就走路线A，彻底绕开这个坑。

4.4 光照不均导致二值分割不完整

现象：同一张图里，有的圆很暗、有的圆稍亮，固定阈值只能分出其中一部分，顾此失彼。

排查方法：显示threshold后的Regions，观察漏掉的目标是不是集中在某个区域。如果是，多半是光照不均。

解决思路：

• 用median_image或illuminate做预处理，压制低频光照分量；
• 用local_threshold或dyn_threshold做局部自适应阈值分割，让不同区域的圆都能被分出来。

local_threshold的基本用法：

local_threshold (GrayImage, LocalRegions, 'adapted', 5, 15, 0.05)

局部阈值在外界光和阴影不均匀的场景下效果立竿见影，但参数也需要多试几组。我的习惯还是那句话：先用固定阈值看大致效果，确认目标和背景的可分离程度，再决定要不要走局部阈值这条路。

5. 从像素距离到物理距离：标定换算的关键两步

标题里虽然写的是“圆心距离”，但实际项目里客户要的从来不是像素，而是毫米。像素距离到物理距离的换算，才是很多项目真正卡壳的地方。

5.1 像素当量法：最简单但最容易出错

原理：放一个已知尺寸的参考物，算出每个像素对应多少毫米，然后用这个比例系数把像素距离乘过去。

操作步骤：

1. 在测量位姿下拍一张已知尺寸的物体，比如标定尺、硬币、量块；
2. 用distance_pp量出参考物在图像里对应的像素距离；
3. 算出mm_per_pixel = 实际尺寸(毫米) / 像素距离(px)；
4. 程序里把像素距离乘上这个系数。

举个例子：标定尺上10毫米的长度在图像里占了500像素，那么mm_per_pixel = 10 / 500 = 0.02。测得某两个圆心距离300像素，实际距离就是300 * 0.02 = 6毫米。

容易犯的错：

• 换了对焦距离或工作距离，没有重新标定；
• 镜头畸变没有考虑，把旁边的距离也按同一个系数算；
• 工件平面和相机像平面不平行，导致画面不同位置的像素当量不一样。

这套方法只适合精度要求不高、镜头畸变小、工件近似垂直于相机光轴的场景。如果项目精度要求高于0.1毫米，建议老老实实做完整标定。

5.2 什么时候必须上完整标定

当镜头用广角、短焦距，或者工件本身有高度差，或者测量范围覆盖到图像边缘时，畸变带来的误差会非常明显。这时候像素当量法就不够用了。

Halcon标准做法是使用标定板：

1. 打印或购买Halcon专用的caltab标定板；
2. 在不同位姿下拍摄十几张标定板图像；
3. 用find_caltab、find_marks_and_pose提取标定板标记点；
4. 用calibrate_cameras得到相机内参和畸变系数；
5. 用change_radial_distortion对测量图像做畸变矫正，然后再走找圆流程。

完整标定的精度很高，但调试周期长，对环境、标定板制作精度都有要求，不是每次测量都值得上。如果只是做粗测，像素当量法完全够用。

5.3 一个实用的偷懒技巧：固定方向单轴标定

如果项目只需要测量水平方向或垂直方向的距离，不需要完整二维映射，可以只标定主轴方向上的像素当量。比如只算孔心在水平方向的距离，就用一把已知间距的孔板在图像里水平方向量出像素差，得到水平方向的mm_per_pixel，距离全部按这个系数换算。

还有一个细节：镜头畸变通常在图像中心最小、边缘最大。所以做测量时尽量把要测的圆放在图像中心区域，远离边缘，哪怕只是“取景时多留点边距”，都能显著降低误差。这个习惯帮我避免了好几次精度不够的麻烦。

6. 最后分享一点实际体会

代码和参数都给你了，但有一点我特别想说：调Halcon找圆，不是算子用得越多越厉害，而是每一步都要知道自己在干什么。我去年做一个检测项目，一开始坚持用边缘法，结果被“一个圆拟合出多个结果”的问题折腾了一下午，后来换成阈值分割+区域轮廓拟合，半小时就解决了。

现在我的习惯是：拿到一张圆检测的图，先看“圆是色块还是轮廓线”，再看“圆与背景对比度够不够”，最后才决定走哪条技术路线。绝大多数项目，先跑通最简单的方案，再根据精度和稳定性的反馈决定要不要加边缘、加鲁棒拟合、加标定。希望这篇文章能让你少走几步弯路，在Halcon里快速把“找多个圆、算圆心距离”这件事落下来。