Imagens De Circulos

O que você precisa saber sobre imagens de círculos na prática

Imagens de círculos aparecem em quase todo projeto de visão computacional que envolva inspeção industrial, medição óptica ou segmentação de formas. O problema é que a maioria dos tutoriais ensina o círculo perfeito do livro-texto, e na realidade raramente você vai encontrá-lo assim. O cenário real envolve bordas irregulares, iluminação desigual, ruído de sensor e, em muitos casos, círculos parcialmente ocultos ou deformados por perspectiva. A abordagem padrão começa com pré-processamento. Você converte para escala de cinza, aplica um filtro Gaussiano ou de média móvel para reduzir ruído de alta frequência, e então executa uma detecção de bordas com Canny ou Sobel. A partir daí, o transformada de Hough circular é o método mais usado para localizar centros e raios. A versão clássica, Hough Circle Transform do OpenCV, mapeia pixels de borda para um espaço tridimensional (x, y, raio) e acumula votos. Células com votos acima de um limiar indicam círculos detectados.

Imagens de círculos: configuração prática do pipeline

Aqui vai um exemplo funcional usando OpenCV em Python: import cv2
import numpy as np

img = cv2.imread('circulos.jpg', cv2.IMREAD_GRAYSCALE)
blur = cv2.GaussianBlur(img, (9, 9), 2)

circles = cv2.HoughCircles(blur, cv2.HOUGH_GRADIENT, dp=1.2, minDist=50,
param1=50, param2=30, minRadius=20, maxRadius=100)

if circles is not None:
circles = np.round(circles[0, :]).astype('int')
for (x, y, r) in circles:
cv2.circle(img, (x, y), r, (0, 255, 0), 2)

cv2.imwrite('detected.jpg', img) Os parâmetros param1 e param2 são os mais críticos. param1 controla o limiar superior do detector de bordas Canny interno, e param2 é o acumulador de thresh — quanto menor, mais falsos positivos você recebe. Na prática, comece com param2 em 30 e ajuste para baixo até encontrar o equilíbrio certo entre detecção e ruído. O valor ideal varia drasticamente dependendo da resolução e contraste da imagem.

Tive um caso recente em que estava inspecionando anéis de vedação metálicos com superfície texturizada. O Hough clássico detectava até 40 círculos por imagem, sendo que havia apenas três peças no frame. O problema era que as ranhuras e marcas de usinagem criavam bordas circulares falsas que o acumulador interpretava como objetos reais. A solução foi substituir o detector padrão por uma abordagem híbrida: primeiro apliquei morfologia (abertura com structuring element de 3×3) para remover detalhes finos, depois usei cv2.minEnclosingCircle() em contornos encontrados via findContours, e filtragem por circularidade (4·área/perímetro²). Isso reduziu os falsos positivos de 37 para 2 — apenas um anel parcialmente fora do frame foi perdido. Uma coisa que poucos mencionam é que a transformada de Hough para círculos tem complexidade O(n³) em relação ao raio, o que a torna proibitivamente lenta para imagens de alta resolução com faixas de raios largas. Se você está processando frames em tempo real ou lotes grandes, considere usar o Hough Gradiente com dp maior (1.5 a 2.0) para operar em imagem reduzida, ou alternar para métodos baseados em aprendizado profundo quando a variação geométrica for grande demais. Outro ponto importante: círculos em perspectiva não são círculos. Peças industriais montadas em ângulo aparecem como elipses na imagem. O Hough Circle não detecta elipses nativamente — a versão HOUGH_GRADIENT do OpenCV não suporta parâmetro de eixo menor/maior. Para esse caso, você precisa do Generalized Hough Transform ou usar detecção de contornos + ajuste de elipse com fitEllipse(). Na minha experiência, para peças levemente inclinadas (menos de 15 graus), o Hough Circle ainda produz resultados aceitáveis com margem de erro de 2-4% no raio. Acima disso, a distorção torna a abordagem baseada em contour muito mais confiável.

Se o seu objetivo é apenas gerar imagens de círculos para teste ou visualização, uma alternativa rápida é usar bibliotecas como Pillow ou Matplotlib para criar círculos vetoriais com preenchimento sólido ou contorno, e exportar como PNG. Para geração em lote com variações controladas de raio, opacidade e posição, um script simples com skimage.draw.circle resolve em minutos e elimina a necessidade de depender de bases de imagens prontas que muitas vezes têm licença restrita ou qualidade inconsistente. Documentação oficial do OpenCV — Hough Circles