Python OpenCV 霍夫（Hough Transform）直线变换检测应用

霍夫直线变换函数原型

在 OpenCV 中提供了两个霍夫直线检测的函数，一个是标准霍夫变换，另一个是概率霍夫变换。

先学习一下标准霍夫变换吧，该变化方式也叫做多尺度霍夫变换。

该方法使用的函数是 cv2.HoughLines，函数原型如下

代码语言：javascript复制

lines = cv2.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])

参数说明：

image：输入 8 位灰度图像；
rho：生成极坐标时像素扫描步长；
theta：生成极坐标时候的角度步长；
threshold：阈值；
lines：返回值，极坐标表示的直线；
sen：是否应用多尺度的霍夫变换，如果不是设置 0 表示经典霍夫变换；
stn：是否应用多尺度的霍夫变换，如果不是设置 0 表示经典霍夫变换；
min_theta：角度扫描范围最小值；
max_theta：角度扫描范围最大值。

该函数的返回值就是上篇博客提及的 （ θ,ρ ），其中 ρ 的单位是像素， θ 的单位是弧度。

既然是直线检测，那我们先把图像的边缘检测出来，通过之前学习的知识即可，加入滑动条，方便调参。

代码语言：javascript复制

import cv2 as cv
import numpy as np

src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

def nothing():
    pass

cv.namedWindow("bar")
cv.createTrackbar("threshold1", "bar", 0, 255, nothing)
cv.createTrackbar("threshold2", "bar", 0, 255, nothing)

dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
cv.imshow("gaussian", gaussian)

while True:
    threshold1 = cv.getTrackbarPos("threshold1", "bar")
    threshold2 = cv.getTrackbarPos("threshold2", "bar")
    # 边缘检测
    edges = cv.Canny(gaussian, threshold1, threshold2)
    cv.imshow("edges", edges)
    if cv.waitKey(1) & 0xFF == 27:
        break

cv.destroyAllWindows()

运行代码之后，获取到的边缘如下，下面就可以对直线进行获取了，通过cv2.HoughLines函数。

修改代码如下：

代码语言：javascript复制

import cv2 as cv
import numpy as np

src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
# cv.imshow("gaussian", gaussian)

# 边缘检测
edges = cv.Canny(gaussian, 70, 150)
cv.imshow("edges", edges)
# Hough 直线检测
# 重点注意第四个参数 阈值，只有累加后的值高于阈值时才被认为是一条直线，也可以把它看成能检测到的直线的最短长度（以像素点为单位）
# 在霍夫空间理解为：至少有多少条正弦曲线交于一点才被认为是直线
lines = cv.HoughLines(edges, 1.0, np.pi/180, 150)

# 将检测到的直线通过极坐标的方式画出来
print(lines.ndim)
print(lines.shape)
for line in lines:
    # line[0]存储的是点到直线的极径和极角，其中极角是弧度表示的，theta是弧度
    rho, theta = line[0]

    # 下述代码为获取 (x0,y0) 具体值
    a = np.cos(theta)
    b = np.sin(theta)

    x0 = a*rho
    y0 = b*rho

    # 下图 1000 的目的是为了将线段延长
    # 以 (x0,y0) 为基础，进行延长
    x1 = int(x0 1000*(-b))
    y1 = int(y0 1000*a)
    x2 = int(x0-1000*(-b))
    y2 = int(y0-1000*a)

    cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imshow("src", src)
cv.waitKey()
cv.destroyAllWindows()

上述代码中，相关说明如下：

第二个参数为半径的步长，第三个参数为每次偏转的角度，即我们提及的 ρ 和 θ；
rho 参数为极径 r，以像素值为单位，本案例使用 1 像素；
theta参数极角 θ 以弧度为单位，本案例使用 1 度 (即 np.pi/180)；
threshold 参数随便给的。

还有计算具体坐标用到的公式其实是这样的：(p,q) = (rcosθ,rsinθ)

运行效果基本满意，达到预期。

概率霍夫变换（Probabilistic Hough Transform）

概率霍夫变换是一种概率直线检测，它是针对于上文标准霍夫检测的优化，核心点是采取概率挑选机制，选取一些点出来进行计算，相当于降采样。

函数名称与原型如下：

代码语言：javascript复制

lines = cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])

参数说明：

src：输入 8-bit 的灰度图像；
rho：像素为单位的距离精度，double 类型的，推荐用 1.0；
theta：以弧度为单位的角度精度，推荐用 numpy.pi/180；
threshold：阈值；
lines：输出的极坐标来表示直线；
minLineLength：最短长度阈值，比这个长度短的线会被排除；
maxLineGap：最大间隔，如果小于此值，这两条直线就被看成是一条直线。

该函数还有一个优点，返回值是一条条线段，不用我们在进行转换了

修改上文代码如下，参数赋值部分直接写的，你可以自由修改，也可以通过滑动条调参：

代码语言：javascript复制

import cv2 as cv
import numpy as np

src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
# cv.imshow("gaussian", gaussian)

# 边缘检测
edges = cv.Canny(gaussian, 70, 150)
cv.imshow("edges", edges)

lines = cv.HoughLinesP(edges, 1.0, np.pi/180, 100,
                       minLineLength=100, maxLineGap=6)
print(type(lines))
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imshow("src", src)
cv.waitKey()
cv.destroyAllWindows()

运行代码之后，可以获取到相应的线段。

橡皮擦的小节

OpenCV 的文章阶段性的难度开始爬升了，有些地方概念还是有点模糊，需要学习的地方太多了，一起加油吧

opencv

0 人点赞