企业官网建设流程全解析

简介：这是一份基于Python与OpenCV的硬币检测与识别项目资源，面向计算机视觉初学者和OpenCV实战学习者，可解决照片中硬币的自动计数与总价值估算问题，适合用来入门图像处理或完成课程设计。压缩包共13个文件，由12张jpg图像和1个py脚本组成，整体约7.39MB；其中图像部分包括原始照片、模板图像、测试图像和检测结果图，py脚本则是完整的检测识别程序，便于直接运行和对照调试。目前已有2242人学习下载，实践参考价值较高，尤其适合需要在实验中快速验证算法的开发者和学生。通过学习，读者可以掌握图像预处理、边缘检测、圆形目标定位、特征匹配与小物体计数等常用技术路线，理解从图像输入到价值判断的完整流程；也能基于这套代码进一步扩展，用于其他圆形物体识别场景。 先聊点实际的。我当初做这个硬币检测与识别项目，起因是帮朋友写一个"自动数零钱"的小工具——就是拍一张照片，程序自己告诉我里面有多少钱。听起来挺简单对吧？不就是找圆、看大小、算面值嘛。真动手之后才发现，"找圆"这一步就够喝一壶的：反光、阴影、硬币挨得太近、背景乱七八糟，全是坑。而"看大小算面值"，还得先解决像素和真实尺寸之间怎么换算的问题。这篇文章就把我完整跑通的思路、代码和踩坑记录都摊开讲，给正在做 python-opencv 硬币检测识别的同学一个可以直接参考的路径。

先说清楚一件事：检测和识别是两个环节。检测负责定位，告诉你图像里第几个位置有一枚硬币，半径是多少像素；识别负责分类，告诉你这枚硬币是1元、5角还是1角。两个环节的错误是会叠加的：圆没找准，后面面值必错；圆找准了但分类逻辑太糙，照样数错钱。所以每一步都得稳。

1. 先拆开"找硬币"和"认面值"：这个项目的第一道坎

1.1 检测和识别是两件事

很多人一上来就搜"硬币识别"，然后指望一个函数把结果全吐出来，这其实是把两个问题搅在一起了。

检测环节说白了就是目标定位。OpenCV 里典型的做法有两种：一是用 HoughCircles 做圆形检测，二是用 findContours 找轮廓再拟合圆。我不太建议一上来就上深度学习，原因很简单：硬币是高度规矩的圆形物体，传统图像处理在受控环境下完全够用，而且可解释性强，出了问题你能看到是边缘断了还是阈值错了，深度模型给不了这种可调试性。

识别环节则是另一套逻辑。硬币的面值判断依据有三个维度，按可靠程度排序：物理尺寸、颜色、表面图案/文字。物理尺寸最可靠，因为人民币硬币的直径是官方固定的，只要知道像素和真实尺寸的换算比例，量一下半径就能确定面值范围。颜色是第二可靠的维度，5角是金黄色，1元和大部分1角是银白色。最不可靠的是图案识别——硬币表面磨损、反光、角度变化都会严重影响模板匹配或OCR的效果，所以我把图案识别放在了最后的扩展方案里，而不是主方案。

1.2 识别依据：尺寸、颜色、图案的优先级

拿我国目前常见的硬币来说，直径参数大致是：

注意这里有个容易踩的坑：1角和5角的直径只差1.5mm，在普通分辨率图像里可能只差十个像素左右，单纯靠半径阈值很容易混淆，所以我后面增加了一道颜色校验逻辑，专门区分这两种面值。

把识别依据排个优先级：先看尺寸，尺寸落在模糊区间的再用颜色兜底。图案文字识别这种重方案，只有在硬币版本特别多、或者必须识别年份版别的需求出现时，才值得上。

1.3 传统CV还是深度学习？我为什么选了前者

我当时考虑过两套方案：一套是本文讲的传统方法，另一套是用 YOLO 之类的目标检测模型直接检测并分类硬币。

选传统方法的核心原因是工程量匹配。我需要处理的场景非常固定：硬币平铺在深色底板上，相机固定在正上方固定高度拍摄。在这个前提下，硬币就是一个标准圆，尺寸是已知的，颜色是明确的，传统CV可以做到又快又稳。深度学习的优势在复杂场景——硬币随意堆叠、任意姿态、光照剧烈变化、背景杂乱——那种场景下 YOLO 的鲁棒性确实碾压传统方法。但代价是：你需要标注几百张图片、训练模型、调参数，还要面对新的误检方式。对一个"数零钱"的需求来说，性价比太低了。

如果你的场景不再满足"平铺、正拍、背景可控"这几个条件，别硬用传统方法，换检测模型是更明智的选择。这是后话，我放到最后一节展开。

2. 拍摄环境没你想的那么随便：背景、光源和镜头位置

2.1 环境依赖安装

这部分最简单，直接在 Python 环境里装 opencv-python 和 numpy 就行：

pip install opencv-python numpy

如果需要读取中文路径下的图片，建议加装 opencv-contrib-python 并配合 imdecode 读取，这个坑我后面细说。版本方面我用的是 OpenCV 4.x，API 和 3.x 差别不大，老代码基本能直接跑。

2.2 用底板和光源把"变量"锁死

我第一版代码是在办公桌上随手拍的，结果硬币和木质桌面的纹理混在一起，Canny 边缘检测出来的全是木纹线，Hough 找圆找出来一堆乱七八糟的结果。后来我找了个深色的纯色鼠标垫当底板，误检率立刻大幅下降。

这里有个原则：图像处理项目里，能通过控制拍摄环境解决的问题，不要留给算法硬扛。底板的颜色最好和硬币颜色有明显区分。深色底配银色硬币效果最好，因为银白色硬币在暗背景下边缘对比度极高。如果你要重点处理金色5角，深蓝或黑色的背景也比浅色背景更合适。

光源方面，均匀光比强光更重要。我当时用了一盏普通台灯从侧上方照明，结果每枚硬币靠近光源的一半亮、另一半有阴影，Canny 只能检出半圈边缘，圆检测全都偏了。后来我把光源改成漫反射环境光（散射光均匀照明），或者在拍摄时尽量让房间整体明亮、避免单一强光源直射，效果就好了很多。

2.3 相机镜头要垂直于桌面

镜头的拍摄角度会影响硬币成像形状。硬币本身是圆形的，但如果相机没有正对桌面，圆会变成椭圆，HoughCircles 的半径检测就会飘，面值判断自然出错。

我的建议是：镜头光轴尽量垂直于桌面，固定高度拍摄。如果实在做不到完全垂直，那就保持固定角度，然后用一个已知尺寸的标定物做换算——标定物能帮你直接把像素和实际毫米数的比例定死，拍摄角度造成的系统误差在换算后会稳定在一个固定范围内，反而不影响分类。

3. 从噪声到干净边缘：预处理与候选圆提取

3.1 灰度化、滤波与光照均衡

预处理的目标很纯粹：让硬币的边缘尽量干净地被检测出来，同时让背景纹理的干扰降到最低。

第一步是把 BGR 图像转成灰度图。第二步是滤波。我实测下来，高斯滤波核大小取 (9, 9)，sigma 取 2，对硬币这类大目标来说去噪效果和边缘保留之间的平衡最好。中值滤波也可以，它对椒盐噪声更有效，但边缘会偏钝一点，看你的图像情况。

如果你拍摄的光照不均匀，可以加一步光照均衡处理。当时我的照片左侧亮右侧暗，硬币边缘在暗侧几乎断了。解决办法是用形态学的黑帽/顶帽变换分离出光照分量，或者直接对灰度图做高斯模糊后与原图相减。OpenCV 里最简单粗暴的写法：

blurred = cv2.GaussianBlur(gray, (31, 31), 0) equalized = cv2.subtract(gray, blurred)

这行代码的效果是：把缓慢变化的光照背景去掉，只保留局部变化的高频信息，硬币边缘的对比度会被拉回来。很实用，尤其是在环境光不受控的场合。

3.2 Canny边缘检测的参数门道

Canny 的阈值是新手最容易卡住的地方。它有两个阈值：高阈值和低阈值。高于高阈值的像素一定被当成边缘，低于低阈值的肯定丢弃，介于两者之间的，只有与强边缘相连才会被保留。

我的经验是，高阈值和低阈值的比例放在 1:2 到 1:3 之间比较合适。比如高阈值 100、低阈值 50，或者 150、60。硬币场景下，我常用(100, 200)这个组合，边缘干净、断点少。阈值设太低，木纹、阴影边缘全进来，Hough 投票就乱了；阈值设太高，硬币边缘断成碎片，圆检测可能直接失败。参数的直觉不是"调大或调小"，而是想清楚你当前图像的问题是哪一种，再决定往哪边调。

3.3 HoughCircles vs 轮廓拟合

这是硬币定位的核心环节，我两种方法都写了，因为实际使用中它们互补。

方案一：HoughCircles

circles = cv2.HoughCircles( gray_gaussian, cv2.HOUGH_GRADIENT, dp=1.2, minDist=50, param1=100, param2=60, minRadius=20, maxRadius=60 )

HoughCircles 的核心思想是：每个边缘点都可以在所有候选圆心位置投票，投票数大于阈值的圆心和半径组合才会被保留。所以：

• dp=1.2：累加器分辨率，一般取 1~2 即可，越大越快但可能丢小圆。
• minDist：两个圆心之间的最小距离。如果比硬币直径的像素值还小，同一枚硬币会被检出好几个重叠圆。这个参数是我踩坑最多的，后面细讲。
• param1：内部 Canny 的高阈值。注意 HoughCircles 内部会自己做一次 Canny，所以如果你在外部已经做过预处理，这里的高阈值不用太小，我的经验是 100 左右起步。
• param2：累加器投票阈值。越小检出的圆越多，误检也越多；越大越严格，但可能漏掉边缘不太完美的硬币。60 到 80 是比较常用的区间。
• minRadius/maxRadius：候选圆的半径范围。一定要尽量量准。我在代码里加了一个预处理步骤：先用轮廓分析预估硬币的像素半径，再把这个范围喂给 HoughCircles，误检率直接下降一大截。

方案二：轮廓分析 + 圆形度校验

_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area = cv2.contourArea(cnt) if area < 500: continue perimeter = cv2.arcLength(cnt, True) circularity = 4 * np.pi * area / (perimeter * perimeter) if circularity < 0.8: continue (x, y), radius = cv2.minEnclosingCircle(cnt)

轮廓法的核心是先用 OTSU 自动阈值把图像转成二值图，然后找外轮廓，用圆形度公式过滤掉非圆形状。圆形度的定义是4π × 面积 / 周长²，完美圆的圆形度是 1，一般大于 0.8 的都可以认为接近圆。

这两个方案怎么选？如果硬币之间离得比较开、图像干净，HoughCircles 效率高；如果硬币有轻微遮挡、边缘有缺失，或者背景中有大量非圆物体，轮廓法更稳。我最终的项目里是两套都跑，Hough 结果优先，轮廓法做兜底，两个结果用圆心坐标合并去重。

4. 用一枚1元硬币标定像素比，再把半径换算成面值

4.1 标定：像素是怎么变成毫米的

要判断面值，光知道半径的像素值没用，因为照片的像素量和拍摄距离直接相关。我一开始犯过这个错：直接在测试图上量出 1 元硬币半径大约 30 像素，就拿"半径 30 以上是 1 元"去套所有照片，换一个拍摄距离全变了。

正确做法是做一个标定：在拍摄画面里放一枚已知尺寸的硬币（我用 1 元，直径 25mm），检测到它的像素直径后，算出比例：

scale = ref_diameter_px / 25.0 # 单位：像素/毫米

把每枚硬币的像素直径除以 scale，就得到真实直径毫米数。后面只要拍摄条件不变，这个比例就不用重新算。

标定有两种思路：第一种是把参考硬币放在画面内，自动检测并计算 scale；第二种是拍一张空白背景带标定物的图，预先测好 scale 写死在配置里。我用的第二种——因为我的相机是固定安装的，拍一次标定图就够了，把 scale 存成配置文件，后续所有图片共用同一个比例，逻辑更简单。如果你的拍摄距离每次都会变，那就必须走第一种，让标定逻辑随图片走。

4.2 直径阈值表与分类逻辑

拿到毫米直径后，分类逻辑就清晰了。我实测的直径分布大概是：

注意一个问题：1角（19mm）和 5角（20.5mm）只差 1.5mm，如果标定稍微偏一点，或者硬币因为拍摄角度有一点形变，这两个就会互相混淆。所以我的逻辑里做了一个双阈值区间设计：

• 直径 > 23mm → 判为 1元
• 直径在 21.0 ~ 23mm 之间 → 判为 5角
• 直径在 19.8 ~ 21.0mm 之间 → 候选：5角/1角，交给颜色判断
• 直径 < 19.8mm → 判为 1角

这个设计比单纯一个阈值稳得多。落在中间模糊带的硬币，再去提取它的颜色特征做二次判断。

4.3 用颜色信息兜底：金色占比判断

5角硬币是金黄色（钢芯镀铜合金），1角硬币是银白色（不锈钢），在 HSV 空间里差异明显。我之前在 BGR 空间直接判断颜色吃了不少苦头，因为光照一变，金色在 BGR 三通道的比值就乱了。换成 HSV 空间后，用色调 H 通道就能轻松区分。

判断逻辑是：把检测到的圆区域裁剪出来，转 HSV 空间，统计 H 值在 10~35 之间、且饱和度 S 比较高（大于 60）的像素占比。如果金色像素在圆区域内占比超过 10%，就判为 5角；否则判为 1角。

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) mask_gold = cv2.inRange(hsv, (10, 60, 60), (35, 255, 255)) gold_ratio = cv2.countNonZero(mask_gold) / (np.pi * radius * radius)

这个逻辑在大多数室内光线下都稳定。唯一的坑是硬币反光会产生高光白斑，但白斑的饱和度低，不会被算进金色像素里，所以实际影响不大。反过来，如果环境光偏暖，银白色硬币也可能被照出一点淡金色，所以我只把这个判断放在直径模糊带，不作为第一判断依据——这是不少实现容易搞错的地方：把颜色当成主判断，然后被一个偏黄的灯光坑到怀疑人生。

5. 可直接复用的完整代码：读图、找圆、分类、算总额

下面是我最终落地版本的简化代码，保留了完整的流程图：预处理、候选圆提取、圆形度校验、标定、面值分类、总额累加。你可以直接抄去跑。

import cv2 import numpy as np # ---------- 全局配置 ---------- SCALE_FILE = "scale.txt" # 标定结果文件，单位：像素/毫米 REF_DIAMETER_MM = 25.0 # 标定硬币直径：1元硬币25mm def load_scale(): with open(SCALE_FILE, "r") as f: return float(f.read().strip()) def save_scale(scale): with open(SCALE_FILE, "w") as f: f.write(str(scale)) def read_image(path): # 用imdecode读取，支持中文路径 stream = np.fromfile(path, dtype=np.uint8) return cv2.imdecode(stream, cv2.IMREAD_COLOR) def detect_coins(image, gray, scale): # 方案一：HoughCircles 检测 circles = None if scale is not None: min_r = int(19.0 * scale * 0.85) max_r = int(25.0 * scale * 1.15) circles = cv2.HoughCircles( gray, cv2.HOUGH_GRADIENT, dp=1.2, minDist=int(25.0 * scale * 1.2), param1=100, param2=60, minRadius=min_r, maxRadius=max_r ) detections = [] if circles is not None: circles = np.round(circles[0]).astype("int") for (x, y, r) in circles: detections.append((x, y, r, "hough")) # 方案二：轮廓分析 + 圆形度过滤 blurred = cv2.GaussianBlur(gray, (9, 9), 2) _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area = cv2.contourArea(cnt) if area < 1000: continue perimeter = cv2.arcLength(cnt, True) if perimeter <= 0: continue circularity = 4 * np.pi * area / (perimeter * perimeter) if circularity < 0.8: continue (x, y), r = cv2.minEnclosingCircle(cnt) detections.append((int(x), int(y), int(r), "contour")) # 去重：合并两种方案检测到的同一个圆 result = [] for d in detections: x, y, r, source = d duplicate = False for rx, ry, rr, rs in result: if (x - rx) ** 2 + (y - ry) ** 2 < (max(r, rr) * 0.5) ** 2: duplicate = True break if not duplicate: result.append(d) return result def classify_coin(img, x, y, r, scale): # 计算直径（像素） diameter_px = 2 * r diameter_mm = diameter_px / scale # 裁剪圆区域用于颜色判断 mask = np.zeros(img.shape[:2], dtype=np.uint8) cv2.circle(mask, (x, y), r, 255, -1) hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) gold_mask = cv2.inRange(hsv, (10, 60, 60), (35, 255, 255)) gold_ratio = cv2.countNonZero(cv2.bitwise_and(gold_mask, gold_mask, mask=mask)) / (np.pi * r * r) # 面值判断：直径优先，颜色兜底 if diameter_mm >= 23.0: return 1.0 elif diameter_mm >= 21.0: return 0.5 elif diameter_mm >= 19.8: return 0.5 if gold_ratio > 0.1 else 0.1 else: return 0.1 def main(): img = read_image("coins.jpg") if img is None: print("图片读取失败") return gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 标定流程：第一次运行时用1元硬币标定 scale = None try: scale = load_scale() except FileNotFoundError: print("未找到标定文件，请在画面正中放置一枚1元硬币，3秒后自动标定...") cv2.imshow("calibration", img) cv2.waitKey(3000) # 这里简化处理：手动用Hough检测画面中1元硬币直径 # 实际场景可以增加人工确认逻辑 ref_circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp=1.2, minDist=50, param1=100, param2=60, minRadius=30, maxRadius=80) if ref_circles is not None: _, _, ref_r = np.round(ref_circles[0][0]).astype("int") scale = (2 * ref_r) / REF_DIAMETER_MM save_scale(scale) print(f"标定完成，scale={scale:.3f} 像素/毫米") else: print("标定失败：未检测到参考硬币") return coins = detect_coins(img, gray, scale) total = 0.0 for (x, y, r, source) in coins: value = classify_coin(img, x, y, r, scale) total += value label = {1.0: "1元", 0.5: "5角", 0.1: "1角"}[value] cv2.circle(img, (x, y), r, (0, 255, 0), 2) cv2.putText(img, f"{label}", (x - 20, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) print(f"检测到 {len(coins)} 枚硬币，总金额：{total:.1f} 元") cv2.imshow("result", img) cv2.waitKey(0) if __name__ == "__main__": main()

代码里的detect_coins同时跑两种检测方案，再用去重逻辑合并，这样 Hough 的效率和轮廓法的容错性都能兼顾。分类逻辑就是我上面说的双阈值加颜色兜底。read_image用 imdecode 是为了兼容中文路径——很多同学在 Windows 上图片路径带中文，直接用 cv2.imread 会返回 None，这个问题排查起来非常隐蔽。

6. 我踩过的四个坑：重复圆、断边、误检与面值混淆

6.1 同一枚硬币被重复检测出多个圆

这个问题几乎每个用 HoughCircles 的人都会遇到。表现是：一枚硬币上叠着两三个半径相近的圆，圆心稍微偏移几像素。原因是minDist设得太小了，小于硬币的实际直径像素。

排查方法很简单：把检测到的所有圆都画出来看一眼。修复方法是把minDist调到硬币直径像素的 1.2~1.5 倍。如果你不确定硬币直径像素是多少，先跑一次轮廓分析估算一个平均半径，再去设 minDist。我代码里用int(25.0 * scale * 1.2)就是为了让这个参数自动跟着标定结果走，省得每次换拍摄距离都要重调。

6.2 边缘断成两截导致圆检测失败

硬币迎光面和背光面的边缘灰度差异很大，Canny 只会把对比度够高的部分判成边缘，于是出现半圆边缘。Hough 在这种输入下会漏检或者检出一个偏小的圆。

我最终的修复方案是组合拳：首先用高斯模糊去掉细小噪声，然后用顶帽变换/减背景光照的做法拉平光照，最后把 Canny 的阈值从 (50, 150) 调到 (100, 200)——提高低阈值会减少微小边缘的干扰，让主要边缘更突出。如果你发现硬币边缘本身太弱，调高 Canny 低阈值反而会断得更厉害，这时先检查光照是不是要修，而不是继续加滤波。

6.3 背景纹理被误检成圆

办公室桌面、报纸、木纹板——这些表面都有大量类圆纹理，Hough 会把它们当成硬币。我的解决顺序是：

1. 换深色纯色底板，从源头消灭背景纹理。
2. 用圆形度过滤，非圆轮廓直接丢弃。
3. 限制候选圆半径范围，木纹里那些半圆纹理的半径往往和真实硬币半径差很多，一限制就过滤掉了。

这三步做完，误检率降到了几乎为零。核心思路是：你先用物理知识把搜索空间缩到最小，剩下的交给算法。

6.4 5角和1角直径相近，分类一直在边缘横跳

这个问题在前期最折磨人。1角直径 19mm，5角直径 20.5mm，差距本来就小；如果标定稍有偏差，阈值 19.8mm 附近的硬币就会反复横跳。我最后的处理就是前面说的：设置一个 19.8~21.0mm 的模糊区间，区间内的硬币用金色像素占比来判断。金色占比超过 10% 判 5角，否则判 1角。

在自然室内光下这套逻辑很稳。有一次在暖黄灯光下，银白色的 1 角被照出了明显金色调，金色占比超过了 10%，被误判成 5角。后来我加了一个条件：检测金色区域内像素的平均饱和度是否够高——反光引起的"假金"饱和度普通偏低，而 5角本身的合金颜色饱和度明显更高。两种"金色"从肉眼上你看得出来差别，在 HSV 的 S 通道上更是清清楚楚。

7. 方案升级思路：如果场景变复杂，还是得上模型

我前面反复强调传统方法好用，前提是场景受限。如果你的实际需求变成"一堆硬币随意堆叠在一起""从桌面上杂乱环境下直接识别""需要识别出硬币的年份版别"，传统方案的短板就会暴露得很明显。

• 堆叠硬币：Hough 找不到完整圆，轮廓法也会被粘连搞崩溃，这时候需要分水岭算法做粘连分割，或者直接用目标检测模型。
• 复杂背景：圆检测会把大量类圆物体当成候选，过滤逻辑越写越复杂，误差不可控。
• 区分年份版别：尺寸和颜色完全不够用，必须识别正反面的文字图案。硬币表面磨损严重，传统模板匹配基本不可靠，需要用小数据集微调一个 CNN 分类器，或者用现成的 OCR 模型识别图案里的数字。

我的建议是，先用本文这套方法把数据收集和场景规范做起来——控制背景、固定机位、准备标定物，这些工作无论你最后用不用深度学习都是必须的。等你积累了足够多的真实图片，再训练一个轻量目标检测模型去替换传统检测环节，识别的部分用裁剪出来的硬币图像微调分类模型。这条路走起来平滑很多，因为你已经对问题有了足够深的理解，知道模型在哪一步帮到你、哪一步反而会引入新的麻烦。

最后再分享一个我个人的经验：做这类图像处理项目，可视化中间结果比调算法参数更节省时间。我当时把灰度图、光照均衡图、Canny 边缘图、Hough 结果图、轮廓二值图全都用 imshow 弹出来看，一眼就能定位是预处理的问题、检测的问题还是分类阈值的问题。如果只看最终结果调参，你永远在赌运气。另一个小技巧是，标定文件单独存一份，拍摄距离不变就不需要重新标定，但每次跑批量图片前，都先在结果图上随便画一两个圆看看半径是否合理——标定错了，后面全是白算。

本文还有配套的精品资源，点击获取