相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++調(diào)用相應(yīng)OpenCV函數(shù)的不同之處。這篇文章介紹在Python中使用OpenCV的霍夫變換檢測(cè)直線。

提示：

轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！

本文介紹在OpenCV-Python中使用霍夫變換檢測(cè)直線的方法。

本文不介詳細(xì)的理論知識(shí)，讀者可從其他資料中獲取相應(yīng)的背景知識(shí)。筆者推薦清華大學(xué)出版社的《圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用(第2版) 》。

霍夫變換

Hough變換是經(jīng)典的檢測(cè)直線的算法。其最初用來檢測(cè)圖像中的直線，同時(shí)也可以將其擴(kuò)展，以用來檢測(cè)圖像中簡(jiǎn)單的結(jié)構(gòu)。

OpenCV提供了兩種用于直線檢測(cè)的Hough變換形式。其中基本的版本是cv2.HoughLines。其輸入一幅含有點(diǎn)集的二值圖(由非0像素表示)，其中一些點(diǎn)互相聯(lián)系組成直線。通常這是通過如Canny算子獲得的一幅邊緣圖像。cv2.HoughLines函數(shù)輸出的是[float, float]形式的ndarray，其中每個(gè)值表示檢測(cè)到的線(ρ , θ)中浮點(diǎn)點(diǎn)值的參數(shù)。下面的例子首先使用Canny算子獲得圖像邊緣，然后使用Hough變換檢測(cè)直線。其中HoughLines函數(shù)的參數(shù)3和4對(duì)應(yīng)直線搜索的步長(zhǎng)。在本例中，函數(shù)將通過步長(zhǎng)為1的半徑和步長(zhǎng)為π/180的角來搜索所有可能的直線。最后一個(gè)參數(shù)是經(jīng)過某一點(diǎn)曲線的數(shù)量的閾值，超過這個(gè)閾值，就表示這個(gè)交點(diǎn)所代表的參數(shù)對(duì)(rho, theta)在原圖像中為一條直線。具體理論可參考這篇文章。

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("/home/sunny/workspace/images/road.jpg", 0)

img = cv2.GaussianBlur(img,(3,3),0)

edges = cv2.Canny(img, 50, 150, apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,118) #這里對(duì)最后一個(gè)參數(shù)使用了經(jīng)驗(yàn)型的值

result = img.copy()

for line in lines[0]:

rho = line[0] #第一個(gè)元素是距離rho

theta= line[1] #第二個(gè)元素是角度theta

print rho

print theta

if (theta < (np.pi/4. )) or (theta > (3.*np.pi/4.0)): #垂直直線

#該直線與第一行的交點(diǎn)

pt1 = (int(rho/np.cos(theta)),0)

#該直線與最后一行的焦點(diǎn)

pt2 = (int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0])

#繪制一條白線

cv2.line( result, pt1, pt2, (255))

else: #水平直線

# 該直線與第一列的交點(diǎn)

pt1 = (0,int(rho/np.sin(theta)))

#該直線與最后一列的交點(diǎn)

pt2 = (result.shape[1], int((rho-result.shape[1]*np.cos(theta))/np.sin(theta)))

#繪制一條直線

cv2.line(result, pt1, pt2, (255), 1)

cv2.imshow('Canny', edges )

cv2.imshow('Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

結(jié)果如下：

注意：

在C++中，HoughLines函數(shù)得到的結(jié)果是一個(gè)向量lines，其中的元素是由兩個(gè)元素組成的子向量(rho, theta)，所以lines的訪問方式類似二維數(shù)組。因此，可以以類似：

std::vector<:vec2f>::const_iterator it= lines.begin();

float rho= (*it)[0];

float theta= (*it)[1];

這樣的方式訪問rho和theta。

而在Python中，返回的是一個(gè)三維的np.ndarray！。可通過檢驗(yàn)HoughLines返回的lines的ndim屬性得到。如：

lines = cv2.HoughLines(edges,1,np.pi/180,118)

print lines.ndim

#將得到3

至于為什么是三維的，這和NumPy中ndarray的屬性有關(guān)(關(guān)于NumPy的相關(guān)內(nèi)容，請(qǐng)移步至 NumPy簡(jiǎn)明教程)，如果將HoughLines檢測(cè)到的的結(jié)果輸出，就一目了然了：

#上面例子中檢測(cè)到的lines的數(shù)據(jù)

3 #lines.ndim屬性

(1, 5, 2) #lines.shape屬性

#lines[0]

[[ 4.20000000e+01 2.14675498e+00]

[ 4.50000000e+01 2.14675498e+00]

[ 3.50000000e+01 2.16420817e+00]

[ 1.49000000e+02 1.60570288e+00]

[ 2.24000000e+02 1.74532920e-01]]

===============

#lines本身

[[[ 4.20000000e+01 2.14675498e+00]

[ 4.50000000e+01 2.14675498e+00]

[ 3.50000000e+01 2.16420817e+00]

[ 1.49000000e+02 1.60570288e+00]

[ 2.24000000e+02 1.74532920e-01]]]

概率霍夫變換

觀察前面的例子得到的結(jié)果圖片，其中Hough變換看起來就像在圖像中查找對(duì)齊的邊界像素點(diǎn)集合。但這樣會(huì)在一些情況下導(dǎo)致虛假檢測(cè)，如像素偶然對(duì)齊或多條直線穿過同樣的對(duì)齊像素造成的多重檢測(cè)。

要避免這樣的問題，并檢測(cè)圖像中分段的直線(而不是貫穿整個(gè)圖像的直線)，就誕生了Hough變化的改進(jìn)版，即概率Hough變換(Probabilistic Hough)。在OpenCV中用函數(shù)cv::HoughLinesP 實(shí)現(xiàn)。如下：

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("/home/sunny/workspace/images/road.jpg")

img = cv2.GaussianBlur(img,(3,3),0)

edges = cv2.Canny(img, 50, 150, apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,118)

result = img.copy()

#經(jīng)驗(yàn)參數(shù)

minLineLength = 200

maxLineGap = 15

lines = cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength,maxLineGap)

for x1,y1,x2,y2 in lines[0]:

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

cv2.imshow('Result', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

結(jié)果如下：

未完待續(xù)。。。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

如果覺得本文寫的還可以的話，請(qǐng)輕點(diǎn)“頂”，您的支持是我寫下去的動(dòng)力之一。未完待續(xù)。。。如有錯(cuò)誤請(qǐng)指正，本人會(huì)虛心接受并改正！謝謝！

總結(jié)

以上是生活随笔為你收集整理的python霍夫变换检测直线_OpenCV-Python教程（9、使用霍夫变换检测直线）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。