Hough变换虹膜定位Matlab实现与参数调优详解

简介：基于Matlab实现Hough变换的人眼虹膜定位方法，附带完整源码与测试图像，主要面向计算机、电子信息工程、数学等专业学生，适用于课程设计、期末大作业或毕业设计中的图像处理部分。压缩包共2个文件，包含1个M脚本与1张BMP人眼图像；M脚本覆盖图像读取、灰度化、边缘检测到Hough圆检测的完整流程，BMP图像便于直接运行验证，整体仅72KB，轻量精简。目前已有241人学习浏览，说明该实现方案对同类课题具有不错的参考价值。通过研读源码，可重点理解Hough变换在虹膜定位中的参数设置与实现技巧，掌握圆形目标检测的基本原理与调试思路，为后续功能扩展或算法改进打下基础。适合具备一定Matlab基础、希望快速上手图像处理项目或复现虹膜定位流程的读者参考使用。

1. Hough变换虹膜定位：为什么课程设计都选这条路

处理过生物特征识别相关课程设计的人，大概率都遇到过同一个痛点：给定一张人眼正面图像，要求把虹膜区域圈出来。模板匹配在光照变化、眼睑遮挡面前非常脆弱，灰度相关性一塌糊涂；而Hough变换走的是另一条路——利用边缘点的几何投票机制，把"找圆"转化成"找参数空间峰值"，天然抗局部遮挡和光照扰动。这也是为什么绝大多数Matlab版的虹膜定位参考代码都会落在Hough变换上。

这个资源包里包含ex1.m主脚本和一张yanjing.bmp人眼测试图像，代码量不大，但把图像读取、灰度化、边缘提取、Hough圆检测到结果标记的完整链路串起来了。适合数字图像处理课程设计、生物特征识别方向的大作业，也适合刚接触圆的检测原理、想看看真实图像上效果到底如何的工程师。接下来从原理到参数，一步步拆开这套方法。

2. 从投票到参数空间：Hough圆检测的数学机制与Matlab实现

2.1 直线Hough到圆Hough：累加器维度是怎么涨的

Hough变换的核心思想是把图像空间里的形状检测问题，映射到参数空间的峰值搜索问题。检测直线时，一条直线用斜率k和截距b两个参数（或极坐标下的rho和theta两个参数）描述，于是图像中的每个边缘点都在参数空间投票给所有经过它的直线，形成两个维度的累加器。检测圆时，圆方程(x-a)^2+(y-b)^2=r^2需要三个参数：圆心坐标(a,b)和半径r，累加器随之变成三维。

维度上涨带来的第一个问题就是计算量陡增。以一张600×400的图像为例，如果半径搜索范围是20到80像素、步长1像素，那么累加器数组的理论规模就是600×400×61，约1464万个单元。如果对每个边缘点都遍历全部(a,b,r)组合去投票，耗时很难接受。这正是Matlab中imfindcircles不直接暴露三维累加器、而是采用Hough梯度法的原因。

Hough梯度法的技巧在于分两步走：第一步先用边缘点的梯度方向估计圆心，因为圆上任意一点的梯度方向都指向圆心或背离圆心；第二步再对候选圆心做半径方向的一维直方图投票。这样三维投票被拆成一个二维累加器加一个一维直方图，复杂度大幅下降。理解了这个机制，后面调参数时就知道，边缘梯度质量直接决定了定位精度。

2.2 imfindcircles：Matlab封装背后的两步法

Matlab图像处理工具箱中，imfindcircles函数是Hough梯度法的高层实现，也是最常用的圆检测入口。它的返回值是检测到的圆心坐标矩阵centers和半径向量radii。一个最基本的调用方式如下：

img = imread('yanjing.bmp'); gray = rgb2gray(img); [centers, radii] = imfindcircles(gray, [20 80], ... 'ObjectPolarity', 'bright', ... 'Sensitivity', 0.85, ... 'EdgeThreshold', 0.2);

这里[20 80]是半径搜索范围的上下界，单位是像素。ObjectPolarity参数指定目标是亮圆还是暗圆：虹膜相对巩膜通常偏暗，但具体取决于图像的光照条件和拍摄方向，如果检测不到就把它切换成'bright'再试。Sensitivity是累加器峰值判定的灵敏度，取值0到1之间，值越大越容易把弱边缘也当作圆，但误检率也会上升。EdgeThreshold是边缘梯度幅值的阈值，低于该阈值的像素不参与投票，用来滤除睫毛、皮肤纹理这类弱边缘干扰。

函数背后的实际执行流程是：先对灰度图计算梯度幅值和方向，用EdgeThreshold筛掉弱边缘，再用梯度方向信息估计圆心并投票，最后在半径方向上统计每个候选圆心对应的最显著半径。理解这一点就不难明白，为什么imfindcircles对边缘清晰度如此敏感——边缘都没有，投票就无从谈起。

2.3 Canny边缘预处理：为什么不能跳步

有一类常见的误用是拿原始灰度图直接丢给imfindcircles，不进行任何预处理就指望它精确圈出虹膜。虹膜边界在图像中往往不是一条锐利的闭合弧线，眼睑遮挡、睫毛投影、瞳孔边界都会产生额外的边缘响应，原始灰度图上直接跑Hough很容易把瞳孔当成虹膜，或者把上下眼睑的弧线误判成圆的一部分。

我一般会在Hough检测前做一次Canny边缘提取。Canny算子的滞后双阈值机制对这类问题很有效：高阈值筛出确定性强的主边缘，低阈值保留与主边缘连通的弱边缘，能天然抑制孤立的碎边缘。配合Matlab的edge函数，核心步骤就两行：

edges = edge(gray, 'canny', [0.05 0.15]); [centers, radii] = imfindcircles(edges, [20 80]);

注意边缘图本身是二值图像，imfindcircles对二值图仍会计算梯度并投票，此时EdgeThreshold对二值图已经意义不大，重心转移到Canny两个阈值的选择上。通常低阈值取0.05左右、高阈值取低值的2到3倍。低阈值太低会把睫毛、瞳孔反光全部引入，高阈值太高可能切断虹膜边缘的弱连接段，导致圆检测失败。后面第4章的参数联动分析还会继续讨论这个问题。

3. ex1.m源码走读：从yanjing.bmp到虹膜标记的完整管线

3.1 资源包结构与输入图像解析

解压这个资源包后，核心文件就两个：ex1.m和yanjing.bmp。yanjing.bmp是人眼正面的样本图像，作为检测算法的输入。ex1.m是主脚本，典型的课程设计风格，把从图像读取到结果可视化的整个流程写在同一个脚本里，方便一步步运行观察中间变量。需要说明的是，这类源码基本是给"看得懂、能自己改"的人准备的，直接复制运行可能因为Matlab版本差异或工具箱缺失报错，需要自己动手调。

如果你的环境里没有图像处理工具箱，imfindcircles和viscircles都会直接报未定义函数，这是最常见的运行失败原因。可以先执行ver命令检查是否安装了Image Processing Toolbox，没有的话需要先补装。另外，文件路径中如果包含中文或空格，imread偶尔会读到空矩阵，建议把解压目录改成纯英文路径再运行。

3.2 完整可运行的定位脚本

下面给出一个经过整理、可独立运行的版本，补齐了原脚本中可能省略的注释和异常处理，便于逐段理解：

%% 基于Hough变换的人眼虹膜定位 clear; close all; clc; % 1. 读取图像并转为灰度 img = imread('yanjing.bmp'); if size(img, 3) == 3 gray = rgb2gray(img); else gray = img; end % 2. Canny边缘提取，突出虹膜边界 edges = edge(gray, 'canny', [0.04 0.12]); % 3. Hough梯度法检测圆形区域 % 半径范围需要根据图像中虹膜的像素尺寸预估 [centers, radii] = imfindcircles(edges, [30 100], ... 'ObjectPolarity', 'dark', ... 'Sensitivity', 0.9, ... 'EdgeThreshold', 0.1); % 4. 可视化：原图上叠加检测到的圆 figure; imshow(img); hold on; if ~isempty(centers) viscircles(centers, radii, 'Color', 'g', 'LineWidth', 2); else disp('未检测到虹膜，请调整半径范围或灵敏度'); end hold off;

这段代码的核心逻辑分四步：读图转灰度、Canny提取边缘、Hough圆检测、可视化标记。第3步中的[30 100]是半径搜索范围，需要根据yanjing.bmp中虹膜的实际像素尺寸手动估计——先用imtool打开图像，量一下虹膜直径大约多少个像素，再除以2作为半径上下界。范围给得太宽不仅计算变慢，还容易把眼皮弧线误判成圆；范围太窄则直接漏检。

3.3 代码逐段说明与输出验证

第一段里用rgb2gray而不是直接取某个颜色通道，是因为虹膜与巩膜的对比度主要体现在亮度差异上，灰度化能综合三个通道的亮度信息，降低单通道噪声。第二段Canny的阈值[0.04 0.12]是经验值：低阈值保留梯度幅值大于0.04的边缘，高阈值大于0.12才算强边缘。如果图像对比度低，两端的下限和上限都往下调；如果边缘碎点太多，则统一往上提。

第三段是整条流水线的关键。imfindcircles返回的centers是N×2矩阵，每一行是一个候选圆心的(x,y)坐标；radii是N×1向量，对应每个候选圆的半径。注意它可能返回多个圆，按累加器峰值从高到低排列，一般情况下第一个就是虹膜。如果检测出多个结果，可以用像素面积或圆度来筛选，这个后面第5章会展开。

第四段的viscircles负责把检测圆绘制到原图上用于视觉验证。验证标准有两个层面：一是圆心是否落在虹膜中心附近，二是绘制圆是否贴合虹膜与巩膜的边界。如果检测结果偏移明显，优先检查EdgeThreshold和Sensitivity，这两个参数对圆心精度的直接影响最大。

4. 参数调优实战：敏感度、边缘阈值与半径范围如何决定定位成败

4.1 三个核心参数的联动关系

Hough圆检测在Matlab里能调的参数不少，但真正决定成败的就是RadiusRange、Sensitivity和EdgeThreshold三个，而且它们彼此耦合，孤立地调某一个往往收效甚微。下面的表格是我在实际图像上反复试出来的规律：

调整顺序上，我一般先把RadiusRange卡准。方法是用imdistline在图像上手动量一下虹膜直径，比如量出来是90像素，半径就设[40 55]，留10%的余量。范围一旦偏移，后面的Sensitivity再怎么调都白费。RadiusRange确定后再去动Sensitivity，从0.85起步，检测不到再逐步加，每加0.02跑一次。EdgeThreshold放在最后，只有当误检圆来自睫毛或眼睑时才去动它，它的作用是提前过滤边缘而不是修正圆判定。

4.2 批量参数扫描脚本

人工一次次改参数效率太低，而且肉眼判断误差大。更可靠的方法是写一个循环，遍历多组参数组合，同时算一个量化误差来评估每组参数的好坏。下面的脚本用梯度下降的思路做了一次最简单的网格搜索：

img = imread('yanjing.bmp'); gray = rgb2gray(img); % 手工标注的虹膜圆心和半径，用于误差评估 true_center = [300 250]; true_radius = 45; results = []; sensList = 0.80:0.02:0.94; edgeList = 0.05:0.02:0.15; for s = sensList for e = edgeList [centers, radii] = imfindcircles(gray, [40 55], ... 'Sensitivity', s, 'EdgeThreshold', e); if isempty(centers) continue; end center_err = norm(centers(1,:) - true_center); radius_err = abs(radii(1) - true_radius); results(end+1, :) = [s e center_err radius_err]; end end % 按圆心误差排序，取最优参数 results = sortrows(results, 3); fprintf('最佳参数: Sensitivity=%.2f, EdgeThreshold=%.2f\n', ... results(1,1), results(1,2));

这段脚本把Sensitivity和EdgeThreshold各自扫描7组值，共49种组合，每一组用圆心欧氏距离和半径绝对差共同衡量定位质量。norm(centers(1,:) - true_center)计算检测圆心与手工标注圆心之间的欧氏距离，误差越小说明定位越准。实际使用时，true_center和true_radius需要在第一张图上手工标注或者用已知数据替代。

扫描结果通常能发现一组明显的"甜点区"：Sensitivity在0.86到0.90附近、EdgeThreshold在0.08到0.12附近时，圆心误差和半径误差同时最小。远离这个区域时，要么检测不到圆，要么圆心被其他边缘拉到一侧，误差急剧上升。这种批量验证的方式比肉眼调参靠谱得多，也能直观看到参数之间的相互制约。

4.3 常见失败模式与修正

第一类失败是检测到的圆落在睫毛或眼睑上。特征非常明显：圆心偏向图像上方或眼角、半径偏大或偏小、绘制圆与虹膜边界明显分离。修正手段是把EdgeThreshold往上抬，滤除睫毛造成的弱边缘投票。如果EdgeThreshold调到0.2还不够，就先对图像做一次中值滤波去掉细纹理，再重新提取边缘。

第二类失败是检测到瞳孔而不是虹膜。瞳孔比虹膜更暗、边界梯度更清晰，如果RadiusRange的下界刚好小于瞳孔半径，Hough投票会优先命中瞳孔。修正方法是直接收紧RadiusRange的下界，比如虹膜半径45左右、瞳孔半径15左右，那就把范围设成[35 55]，从参数上隔离掉瞳孔。

第三类失败是虹膜边缘被眼睑大面积遮挡，导致Hough投票得不到足够多的边缘点支撑，累加器峰值不够高、检测不到圆。这种情况先降低Sensitivity到0.9以上，如果还不行，就得接受局部遮挡的现实，改用第5章的分级检测思路——先粗定位再局部精修。

5. 内外圆分级检测：Hough定位从能用走向好用

5.1 ROI裁剪与内圆二次检测

全图范围做一次Hough检测能定位到虹膜，但瞳孔边界往往被虹膜边缘的投票干扰，精度不够理想。一个更稳健的做法是内外圆分级：第一轮检测先找到虹膜外圆，锁定圆心和半径；第二轮在圆心周围裁剪一个ROI区域，在这个局部范围内重新做Hough检测，目标是瞳孔内圆。

% 第一轮：全图范围检测虹膜外圆 [centers, radii] = imfindcircles(gray, [35 55], ... 'Sensitivity', 0.88, 'EdgeThreshold', 0.10); cx = round(centers(1,1)); cy = round(centers(1,2)); r_iris = round(radii(1)); % 第二轮：围绕虹膜中心裁剪ROI，检测瞳孔 roi_size = round(r_iris * 1.4); xmin = max(cx - roi_size, 1); xmax = min(cx + roi_size, size(gray, 2)); ymin = max(cy - roi_size, 1); ymax = min(cy + roi_size, size(gray, 1)); roi = gray(ymin:ymax, xmin:xmax, :); [centers_pupil, radii_pupil] = imfindcircles(roi, [10 25], ... 'ObjectPolarity', 'dark', 'Sensitivity', 0.92);

ROI宽度取虹膜半径的1.4倍，是因为瞳孔一定落在虹膜范围内，留出20%的余量就能确保瞳孔完整包含在ROI中同时排除大部分眼睑。第二轮的RadiusRange缩小到[10 25]，计算量大幅下降，Sensitivity提高到0.92可以在局部范围内捕获瞳孔的弱边缘。注意第二轮检测用的是ROI局部坐标系，得到的结果需要加上偏移量(xmin-1, ymin-1)才是全图坐标。

5.2 面积约束与圆度校验

无论是第一轮还是第二轮检测，imfindcircles都可能返回多个候选圆。实际场景里经常出现"圆心对了但半径偏大"或"半径对了但圆心在眼角"的情况，单纯看检测顺序不可靠。我习惯在Hough之后加一道几何校验：计算每个候选圆的边缘重合率，只有与真实边缘贴合度足够高的圆才被接受。

edges = edge(roi, 'canny', [0.05 0.15]); score = zeros(size(centers_pupil, 1), 1); for k = 1:size(centers_pupil, 1) % 在边缘图上取圆上的等间距采样点 theta = linspace(0, 2*pi, 72); xs = round(centers_pupil(k,1) + radii_pupil(k) * cos(theta)); ys = round(centers_pupil(k,2) + radii_pupil(k) * sin(theta)); valid = xs >= 1 & xs <= size(edges,2) & ... ys >= 1 & ys <= size(edges,1); score(k) = sum(edges(sub2ind(size(edges), ys(valid), xs(valid)))) / sum(valid); end [best, idx] = max(score);

这段代码的思想很简单：在检测圆上均匀采样72个点，逐一检查这些点在Canny边缘图上是否落在边缘像素上，落在边缘上的采样点占比score就是该圆的边缘重合率。重合率越高，说明这个候选圆与图像中的真实边界越吻合。正常虹膜或瞳孔的score能到0.6以上，而误检圆的score通常低于0.3，拿这个阈值做筛选就能把绝大多数误检直接滤掉。面积约束可以再加一道：圆面积pi*r^2与边缘内部像素面积极差超过20%的直接丢弃，避免把大面积暗区当圆形目标。经过这两道校验之后，Hough定位的结果在大多数课程设计和毕业设计场景下都足够稳。

本文还有配套的精品资源，点击获取