OpenCV中的霍夫線變換、概率霍夫線變換

• • 1. 效果圖
  • 2. 原理
  • • 2.1 什么是霍夫變換？
    • 2.2 什么是概率霍夫變換？
  • 3. 源碼
  • • 3.1 霍夫變換
    • 3.2 概率霍夫變換
  • 參考

這篇博客將介紹Python，OpenCV中的霍夫變換。包括什么是霍夫變換（Hough Transform）、概率霍夫變換（Probablistic Hough Transform），以及如何使用cv2.HoughLines()，cv2.HoughLinesP()來檢測圖像中的線條。

1. 效果圖

原始圖 VS霍夫變換效果圖如下：

圖中檢測了所有線，包括角度為0°~180°（紅色線，經(jīng)過原點下方的點）和 角度為-180°~0°的（綠色線，經(jīng)過原點上方的點）。
原圖 VS 概率霍夫變換效果圖如下：
概率霍夫變換效果可以設(shè)置線之間的間隙大小，檢測出來小的短的線；

2. 原理

任意一條線可以用 y=mx+c 進(jìn)行表示，也可用（ ρ，θ）表示， ρ=xcosθ+ysinθ。ρ以像素為單位，θ以弧度為單位。

如果直線從原點下方經(jīng)過，它的ρ為正，角度為（0，180）；如果直線從原點上方經(jīng)過，ρ為負(fù)，角度為（-180，0）。任何垂直線都是0度，水平線是90度。

2.1 什么是霍夫變換？

霍夫變換是一種流行的檢測任何形狀的技術(shù)，即使它是有些微損壞或輕微扭曲的，它也可以成功檢測。

lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)

• edges：輸入圖像（二值圖像，因此在應(yīng)用hough變換查找之前，先應(yīng)用閾值或canny邊緣檢測）
• 1: ρ精度，ρ以像素為單位，θ以弧度為單位。
• np.pi/180：θ精度
• 200：閾值，假設(shè)檢測線，表示被檢測到的線的最短長度，低于200像素長度的將被丟棄；
• lines: 返回值（ρ,θ），ρ以像素為單位，θ以弧度為單位。

2.2 什么是概率霍夫變換？

概率霍夫變換（Probablistic Hough Transform）是霍夫變換（Hough Transform）的優(yōu)化。

• 霍夫變換拿線的所有點參與計算，而概率霍夫變換只考慮點的一個隨機(jī)子集，這對于線檢測是足夠的。

• 霍夫變換返回值是（ ρ，θ），而概率霍夫變換直接返回線的端點更便于操作；

lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)

• edages、1、np.pi/180 跟霍夫變換一致，分別為輸入二值圖像、ρ精度、θ精度
• minLineLength：最小線條長度。小于此長度的線將被丟棄；
• maxLineGap：直線段之間允許的最大間距，將其視為單線。
• lines：它直接返回線的倆個端點。

3. 源碼

3.1 霍夫變換

# 霍夫變換(可檢測任意形狀）# lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
# - edges：輸入圖像（二值圖像，因此在應(yīng)用hough變換查找之前，先應(yīng)用閾值或canny邊緣檢測）
# - 1: ρ精度，ρ以像素為單位，θ以弧度為單位。
# - np.pi/100： 角度，θ精度
# - 200：閾值，假設(shè)檢測線，表示被檢測到的線的最短長度
# - lines: 返回值（ρ,θ），ρ以像素為單位，θ以弧度為單位。
#
# 概率霍夫變換（Probablistic Hough Transform）是霍夫變換（Hough Transform）的優(yōu)化。
# 霍夫變換拿線的所有點參與計算，而概率霍夫變換不考慮所有的點，而是只考慮點的一個隨機(jī)子集，這對于線檢測是足夠的。
# lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)
# - edages、1、np.pi/180 跟霍夫變換一致，分別為輸入二值圖像、ρ精度、θ精度
# - minLineLength：最小線條長度。小于此長度的線段將被丟棄；
# - maxLineGap：直線段之間允許的最大間距，將其視為單線。
# - lines：它直接返回兩條線的端點。import cv2
import imutils
import numpy as npimg = cv2.imread('hf1.jpg')
cv2.imshow("origin", imutils.resize(img, width=400))
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)print(np.pi / 180, np.pi / 360)
lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)for i, line in enumerate(lines):for rho, theta in line:# print(rho, theta * 180 - 180)a = np.cos(theta)b = np.sin(theta)x0 = a * rhoy0 = b * rhox1 = int(x0 + 1000 * (-b))y1 = int(y0 + 1000 * (a))x2 = int(x0 - 1000 * (-b))y2 = int(y0 - 1000 * (a))# 弧度轉(zhuǎn)角度degree = theta * 180 - 180if (degree > 180):degree = degree - 360print(rho, degree)if rho > 0 and degree > 0:  # 經(jīng)過原點下方的點，角度為正（0，180）cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)else:  # 經(jīng)過原點上方的點，角度為負(fù)（-180，0）cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)cv2.imwrite('houghlines_hf.jpg', img)
cv2.imshow("hf_res", imutils.resize(img, width=400))
cv2.waitKey(0)

3.2 概率霍夫變換

# 概率霍夫變換# 霍夫變換(可檢測任意形狀）
# lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
# - edges：輸入圖像（二值圖像，因此在應(yīng)用hough變換查找之前，先應(yīng)用閾值或canny邊緣檢測）
# - 1: ρ精度
# - np.pi/100：θ精度
# - 200：閾值，假設(shè)檢測線，表示被檢測到的線的最短長度
# - lines: 返回值（ρ,θ），ρ以像素為單位，θ以弧度為單位。# 概率霍夫變換（Probablistic Hough Transform）是霍夫變換（Hough Transform）的優(yōu)化。
# 霍夫變換拿線的所有點參與計算，而概率霍夫變換不考慮所有的點，而是只考慮點的一個隨機(jī)子集，這對于線檢測是足夠的。
# lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)
# - edages、1、np.pi/180 跟霍夫變換一致，分別為輸入二值圖像、ρ精度、θ精度
# - minLineLength：最小線條長度。小于此長度的線段將被丟棄；
# - maxLineGap：直線段之間允許的最大間距，將其視為單線。
# - lines：它直接返回兩條線的端點。# 概率霍夫變換（Probablistic Hough Transform）是霍夫變換（Hough Transform）的優(yōu)化。
# 霍夫變換拿線的所有點參與計算，而概率霍夫變換不考慮所有的點，而是只考慮點的一個隨機(jī)子集，這對于線檢測是足夠的。import cv2
import imutils
import numpy as npimg = cv2.imread('hf1.jpg')
cv2.imshow("origin", imutils.resize(img, width=400))
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)minLineLength = 100
maxLineGap = 10
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 10, minLineLength, maxLineGap)# 只繪制第一條線
# for x1, y1, x2, y2 in lines[0]:
#     cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)print(len(lines))
# 繪制所有檢測結(jié)果
for i, line in enumerate(lines):for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.imwrite('houghlines_hfp.jpg', img)
cv2.imshow("hfp_res", imutils.resize(img, width=400))
cv2.waitKey(0)

參考

• https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_houghlines/py_houghlines.html#py-hough-lines

總結(jié)

以上是生活随笔為你收集整理的OpenCV中的霍夫线变换、概率霍夫线变换的全部內(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，歡迎將生活随笔推薦給好友。