处理9000x7000像素的大尺寸图片时，提取圆形区域的核心是先定位圆形位置，再根据位置裁剪对应区域。下面我们先看整体实现思路，再给出完整代码。
实现思路
整体流程可以分为三步：
- 读取高分辨率图片，根据需求选择是否缩放处理加快运算速度
- 使用霍夫圆变换检测图片中的圆形，获取两个目标圆形的圆心坐标和半径
- 根据圆心和半径计算裁剪区域，提取对应的圆形内容并保存
核心步骤详解
1. 图片读取与预处理
9000x7000像素的图片直接处理会占用较多内存，建议先转换为灰度图，若不需要精准边缘也可以适当缩放，处理完成后再映射回原图坐标。
2. 圆形检测
OpenCV的HoughCircles函数是检测圆形的核心接口，它可以快速找到图片中所有符合参数要求的圆形，返回每个圆的圆心(x,y)和半径r。
3. 区域提取与保存
得到圆心和半径后，我们可以通过掩码的方式提取圆形区域，或者直接裁剪正方形区域后裁剪出圆形部分，最后将结果保存为图片。
完整代码示例
以下是可直接运行的完整代码，包含注释说明每一步的作用：
import cv2
import numpy as np
# 读取9000x7000的大尺寸图片
img = cv2.imread("large_image.jpg")
if img is None:
print("图片读取失败，请检查路径")
exit()
# 获取原图尺寸
height, width = img.shape[:2]
print(f"原图尺寸：{width}x{height}")
# 转为灰度图，减少计算量
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 可选：缩放图片加快检测速度，这里缩放为原图的1/4，后续坐标需要映射回原图
scale = 0.25
small_gray = cv2.resize(gray, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
# 霍夫圆变换检测圆形，参数可根据实际图片调整
circles = cv2.HoughCircles(
small_gray,
cv2.HOUGH_GRADIENT,
dp=1,
minDist=100, # 两个圆之间的最小距离，避免检测到重叠的圆
param1=50, # Canny边缘检测的高阈值
param2=30, # 圆心检测的累加阈值，越小检测到的圆越多
minRadius=50, # 最小圆半径，根据目标圆大小调整
maxRadius=500 # 最大圆半径，根据目标圆大小调整
)
if circles is None:
print("未检测到圆形，请调整HoughCircles参数")
exit()
# 将检测结果坐标映射回原图尺寸，四舍五入取整
circles = np.uint16(np.around(circles[0, :] / scale))
# 只取前两个检测到的圆形，可根据需要筛选特定圆形
target_circles = circles[:2]
print(f"检测到目标圆形：{target_circles}")
# 遍历两个圆形，分别提取区域
for idx, (x, y, r) in enumerate(target_circles):
# 创建和原图同样大小的黑色掩码
mask = np.zeros(img.shape[:2], dtype=np.uint8)
# 在掩码上画白色圆形
cv2.circle(mask, (x, y), r, 255, -1)
# 将原图和掩码做与运算，提取圆形区域
circle_region = cv2.bitwise_and(img, img, mask=mask)
# 可选：裁剪出圆形所在的正方形区域，减少空白部分
left = max(0, x - r)
top = max(0, y - r)
right = min(width, x + r)
bottom = min(height, y + r)
cropped = circle_region[top:bottom, left:right]
# 保存结果
cv2.imwrite(f"circle_{idx+1}.jpg", cropped)
print(f"第{idx+1}个圆形区域已保存为circle_{idx+1}.jpg")
print("处理完成")参数调整建议
如果检测不到目标圆形，可以尝试调整以下参数：
minDist：如果两个圆距离很近，适当减小这个值param2：如果漏检了很多圆，适当减小这个值；如果检测到很多无关圆，适当增大minRadius和maxRadius：根据目标圆形的实际大小设置，缩小范围可以减少误检
注意：如果原图中圆形边缘不清晰，建议先对灰度图做高斯模糊处理，再传入HoughCircles函数，能够有效减少噪声干扰，提升检测准确率。
按照上述步骤和代码，就可以快速从9000x7000像素的大尺寸图片中提取出两个目标圆形区域，你可以根据自己的实际图片调整对应的参数，得到最准确的结果。