opencv+python Hough變換的基本原理

Hough變換思想（參數空間變換）：

在原始圖像坐標系下的一個點對應了參數坐標系中的一條直線，同樣參數坐標系的一條直線對應了原始坐標系下的一個點，然後，原始坐標系下呈現直線的所有點，它們的斜率和截距是相同的，所以它們在參數坐標系下對應於同一個點。這樣在將原始坐標系下的各個點投影到參數坐標系下之後，看參數坐標系下有沒有聚集點，這樣的聚集點就對應了原始坐標系下的直線。

在實際應用中，y=kx+b形式的直線方程沒有辦法表示x=c形式的直線(這時候，直線的斜率為無窮大)。所以實際應用中，是採用參數方程p=xcos(theta)+y*sin(theta)。這樣，圖像平面上的一個點就對應到參數p—theta平面上的一條曲線上，其它的還是一樣。

Hough變換思想（參數空間劃分網格統計）：

為了檢測出直角坐標X-Y中由點所構成的直線，可以將極坐標a-p量化成許多小格。根據直角坐標中每個點的坐標(x,y)，在a = 0-180°內以小格的步長計算各個p值，所得值落在某個小格內，便使該小格的累加記數器加1。當直角坐標中全部的點都變換後，對小格進行檢驗，計數值最大的小格，其(a，p)值對應於直角坐標中所求直線。

Hough變換的程序實現:

import cv2

import numpy as np

#hough變換的程序實現

img = cv2.imread("building.jpg")#讀取圖片

img2 = img.copy()

gray =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#將圖片轉換為灰度圖

edges = cv2.Canny(gray,50,150,apertureSize = 3)#canny演算法提取輪廓

#基於概率的hough變換......................................................

lines_Probabilitys = cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=100,maxLineGap=10)#概率hough變換

lines_Probability = lines_Probabilitys[:,0,:]#提取為二維

for x1,y1,x2,y2 in lines_Probability[:]:

cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)

cv2.namedWindow("HoughLines_Probabilitys", 2) #創建一個窗口

cv2.imshow("HoughLines_Probabilitys", img) #顯示原始圖片

#標準的hough變換......................................................

lines_standards = cv2.HoughLines(edges,1,np.pi/180,200) #標準hough變換查找直線

#繪製hough變換後找到的所有直線，返回數據是一個二位數組

for lines_standard in lines_standards:

for rho,theta in lines_standard:

a = np.cos(theta)

b = np.sin(theta)

x0 = a*rho

y0 = b*rho

x1 = int(x0 + 1000*(-b))

y1 = int(y0 + 1000*(a))

x2 = int(x0 - 1000*(-b))

y2 = int(y0 - 1000*(a))

cv2.line(img2,(x1,y1),(x2,y2),(0,0,255),2)

print(lines_standards)#列印出找到的直線的極坐標系坐標、

cv2.namedWindow("HoughLines_standards", 2) #創建一個窗口

cv2.imshow("HoughLines_standards", img2) #顯示原始圖片

cv2.waitKey()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

函數參數解釋：

HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None)

image： 必須是二值圖像，推薦使用canny邊緣檢測的結果圖像；

rho: 線段以像素為單位的距離精度，double類型的，推薦用1.0

theta： 線段以弧度為單位的角度精度，推薦用numpy.pi/180

threshod: 累加平面的閾值參數，int類型，超過設定閾值才被檢測出線段，值越大，基本上意味著檢出的線段越長，檢出的線段個數越少。根據情況推薦先用100試試

lines：這個參數的意義未知，發現不同的lines對結果沒影響，但是不要忽略了它的存在

minLineLength：線段以像素為單位的最小長度，根據應用場景設置

maxLineGap：同一方向上兩條線段判定為一條線段的最大允許間隔（斷裂），超過了設定值，則把兩條線段當成一條線段，值越大，允許線段上的斷裂越大，越有可能檢出潛在的直線段

cvHoughLines2( CvArr* image, void* line_storage, int method,double rho, double theta, int threshold,double param1=0, double param2=0 );

image輸入 8-比特、單通道 (二值) 圖像，其內容可能被函數所改變

line_storage檢測到的線段存儲.

method

CV_HOUGH_STANDARD - 傳統或標準 Hough 變換. 每一個線段由兩個浮點數 (ρ, θ)表示，其中 ρ 是點與原點 (0,0) 之間的距離， θ 線段與 x-軸之間的夾角。因此，矩陣類型必須是 CV_32FC2 type.

CV_HOUGH_PROBABILISTIC - 概率 Hough 變換(如果圖像包含一些長的線性分割，則效率更高). 它返回線段分割而不是整個線段。每個分割用起點和終點來表示，所以矩陣（或創建的序列）類型是 CV_32SC4.

CV_HOUGH_MULTI_SCALE - 傳統 Hough 變換的多尺度變種。線段的編碼方式與CV_HOUGH_STANDARD 的一致。

rho與象素相關單位的距離精度

theta弧度測量的角度精度

threshold閾值參數。如果相應的累計值大於 threshold， 則函數返回的這個線段.

param1第一個方法相關的參數:

對傳統 Hough 變換，不使用(0).

對概率 Hough 變換，它是最小線段長度.

對多尺度 Hough 變換，它是距離精度 rho 的分母 (大致的距離精度是 rho 而精確的應該是 rho / param1 ).

param2第二個方法相關參數:

對傳統 Hough 變換，不使用 (0).

對概率 Hough 變換，這個參數表示在同一條直線上進行碎線段連接的最大間隔值(gap), 即當同一條直線上的兩條碎線段之間的間隔小於 param2 時，將其合二為一。

對多尺度 Hough 變換，它是角度精度 theta 的分母 (大致的角度精度是 theta 而精確的角度應該是 theta / param2).

檢測效果：

---------------------

作者：逗創創

原文：https://blog.csdn.net/u014005758/article/details/88403937

版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！