@Carlos，在您所描述的情况下，我并不是Hough
Circles的忠实粉丝。老实说，我发现此算法非常不直观。在您的情况下，我建议使用
findContour()函数，然后计算质心。因此，我对Hough的参数进行了一些调整以获得合理的结果。在Canny之前，我还使用了另一种预处理方法，因为我看不到该阈值在特定情况下如何在其他情况下起作用。
霍夫法：
寻找群众中心：
和代码：
from matplotlib.pyplot import imshow, scatter, show, savefigimport cv2image = cv2.imread('circles.png', 0)#_, image = cv2.threshold(image, 254, 255, cv2.THRESH_BINARY)image = cv2.GaussianBlur(image.copy(), (27, 27), 0)image = cv2.Canny(image, 0, 130)cv2.imshow("canny", image)cv2.waitKey(0)imshow(image, cmap='gray')circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 22, minDist=1, maxRadius=50)x = circles[0, :, 0]y = circles[0, :, 1]scatter(x, y)show()savefig('result1.png')cv2.waitKey(0)_, cnts, _ = cv2.findContours(image.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# loop over the contoursfor c in cnts: # compute the center of the contour M = cv2.moments(c) cX = int(M["m10"] / M["m00"]) cY = int(M["m01"] / M["m00"]) #draw the contour and center of the shape on the image cv2.drawContours(image, [c], -1, (125, 125, 125), 2) cv2.circle(image, (cX, cY), 3, (255, 255, 255), -1)cv2.imshow("Image", image)cv2.imwrite("result2.png", image)cv2.waitKey(0)两种方法都需要进行一些微调，但我希望可以为您提供更多的帮助。
资料来源：这个答案和pyimagesearch。
