最近研究halcon的圆孔定位四个月了，这里分享一下我的心得，也是备忘

1. 支持任意类型的圆孔检测
2. 极性除了内黑外白，内白外黑，还有可能是黑色条带中心，白色条带中心
3. 用户给出的直径有可能有10%的偏差
4. 用户给的极性可能是错误的
5. 圆环周围可能有干扰边缘，但必须找到最精准边缘

Halcon圆检测相关方法

直接用对比度分割出关键的圆形	当圆环和周围颜色相近时，直接罢工
提取图像中的关键边缘，找到可能是圆弧的部分，拼接成一条完整圆弧，然后拟合	平滑后的精度低，不平滑图像中有很多零散圆弧干扰
通过沿着区域点画圆，找到大概率是圆心的区域	当参数半径和实际偏差较大时，得到的区域不准确
在圆周一圈找阈值峰值点，用这些点进行拟合	有图像可能存在非常多的干扰峰值
当图像圆中有复杂图像时，无法找到结果
较差的图像需要调低得分，但低得分容易带来错误结果
先找到梯度图中可能是圆弧的点，再用这些点进行拟合	找的点不准确容易有偏差

通常，我们进行两次定位

1. 粗定位：目的是获得圆的大致位置，然后可以用reduce_domain缩小图像范围（减少精定位时间），粗定位有很多好用的方法，但是都有其局限性，这里就不赘述。
2. 精定位：为的是能找到更精确的边缘，得到更高精度的结果

因为遇到了很多糟心的图片，所以楼主的算法也相应比较复杂

1. 获取梯度方向偏差图片：
   因为圆环的梯度方向都是统一的，类似如下的图片（有可能需要旋转），我们可以用得到的梯度方向图减去下图，就可以得到梯度方向偏差图，其中灰度接近0的点就是我们所需要的关键点

2. 因为shape_model得到的结果不稳定，在边缘有毛刺时容易有细微的偏差，所以我在这个结果周围找到Image_Result中的关键点进性拟合

3. 注意：如果粗定位使用了平滑，那这里也需要平滑，因为图像可能存在很多噪点、条纹的干扰

4. 因为shape_model得到的结果不稳定，容易有细微的偏差，所以我在这个结果周围找到Image_Result中的关键点进性拟合

5. 如果还没找到圆，有两种可能，
   2：客户的直径或极性输错了

6. 因为客户给出的直径有可能是错误，所以这里我使用过程中得到的半径作为目标分析，而不再使用客户给出的直径，这样也可以提高对不良结果的过滤。
   注意：精定位可以直接使用权重定位法，跳过上面的条带结果和边缘结果分析，但这样遇到多层圆环时，容易带来一半内环，一半外环的问题。

7. 注意：权重还可以添加很多要素，比如圆周的灰度一致性，梯度方向一致性等，这里只是个例子

8. 过滤出最权重较为显著的点，构成contour，过滤掉circularity较低的结果