1.霍夫直线检测
·霍夫空间是一个极坐标空间
·假设有N个点,我们要检测其中的直线,也就是我们要找到具体的r和theata。对于上面所说的每个点可以通过无数条直线,这里我们设为n条(通常 n = 180),则我们一起可以找到Nn个(r, theata),对这Nn个(r,theata),我们可以利用统计学,统计到在theta=某个值theta_i时,多个点的r近似相等于r_i。也就是说这多个点都在直线(r_i,theta_i)上。
原文链接:https://blog.csdn.net/weixin_40196271/article/details/83346442
·最后通过极坐标的r和角度值算回到普通空间的对应坐标值
直线变换例子
该方法因为要反变换会平面空间,所以比较复杂
该方法省略了中间的变换过程,直接返回两个点,简化计算
//变换步骤 1.边缘检测 2.转换为灰度图像 3.用houghlineP找出两点 4.将两点化成线并显示
//extract edge
Canny(src, dst, 150, 200);//默认ksize为3
cvtColor(dst, gray_src, CV_GRAY2BGR);
imshow("edge", gray_src);
vector<Vec4f> plines;//定义一个容器装输出的坐标值
HoughLinesP(dst, plines, 1, CV_PI / 180.0, 10, 0, 10);//定义最大插值可以将比较远的点也合为一条线,有较强的抗锯齿效果
Scalar color = Scalar(0, 0, 255);//给画线填充颜色
for (size_t i = 0; i < plines.size(); i++)
{
Vec4f hline = plines[i];
//画线 输出的坐标点一般为x0,y0,x1,y1
line(gray_src, Point(hline[0], hline[1]), Point(hline[2], hline[3]), color, 3, LINE_AA);
}
imshow("output_line",gray_src);
2.霍夫圆变换
原文链接:https://blog.csdn.net/weixin_40196271/article/details/83346442
2.如何判断多个点是否在一个圆上
同样经过一个点可以作出无数个圆,假设某个点平面坐标为(xi,yi),使用的参数为(ai,bi,ri)则经过此点的圆的表达式为(xi-ai)^2 +(yi-bi) ^ 2=ri ^ 2。对于点(xj,yj),必定存在(aj,bj,rj)使得 近似计算中 ai=aj,bi= bj, ri = rj,即两个点在同一个圆上;同理如果三个点在同一个圆上,则也必须存在 ai=aj =ak = a, bi=bj=bk = b, ri=rj=rk = r 的情况。
3.如何检测圆
要将圆检测出来,也就是要将上述的(a,b,r)求解出来。
假设r确定,此时点(x,y)又已知,根据(x-a)^2 +(y-b) ^ 2=r ^ 2 ,则(a,b)的轨迹在几何上则变成了以(x,y)为圆心,r为半径的圆;而r不确定时,(a,b,r)的轨迹变成了以(x,y)为顶点的一个圆锥。则(ai,bi,ri),(aj,bj,rj), (ak,bk,rk)的圆为下图中圆锥面的角点A。
转换到霍夫空间如图所示,圆心处也就是交界处会特别的亮
API:
参数详细说明:
参数说明:
1.InputArray: 输入图像,数据类型一般用Mat型即可,需要是8位单通道灰度图像
2.OutputArray:存储检测到的圆的输出矢量
3.method:使用的检测方法,目前opencv只有霍夫梯度法一种方法可用,该参数填HOUGH_GRADIENT即可(opencv 4.1.0下)
4.dp:double类型的dp,用来检测圆心的累加器图像的分辨率于输入图像之比的倒数,且此参数允许创建一个比输入图像分辨率低的累加器。
上述文字不好理解的话,来看例子吧。例如,如果dp= 1时,累加器和输入图像具有相同的分辨率。如果dp=2,累加器便有输入图像一半那么大的宽度和高度。
5.minDist:为霍夫变换检测到的圆的圆心之间的最小距离
6.param1:它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT,
它表示传递给canny边缘检测算子的高阈值,而低阈值为高阈值的一半。
7.param2:也是第三个参数method设置的检测方法的对应的参数,对当前唯一的方法霍夫梯度法HOUGH_GRADIENT
它表示在检测阶段圆心的累加器阈值。它越小的话,就可以检测到更多根本不存在的圆,而它越大的话,能通过检测的圆就更加接近完美的圆形了。
8.minRadius:表示圆半径的最小值
9.maxRadius:表示圆半径的最大值
具体实现:
//霍夫圆变换
//1.中值滤波--霍夫圆变换对噪声比较敏感,所以要通过中值滤波去除掉椒盐噪声
//2.转换为灰度图像
//3.圆检测
//4.画圆
//中值滤波
Mat moutput;
medianBlur(src, moutput, 3);
//转换为灰度图像
cvtColor(moutput, moutput, CV_BGR2GRAY);
//霍夫圆检测
vector<Vec3f> pcricles;//定义一个容器装圆检测的信息
HoughCircles(moutput, pcricles, CV_HOUGH_GRADIENT, 1, 10, 100, 30, 5, 50);
/*
参数说明:
1.InputArray: 输入图像,数据类型一般用Mat型即可,需要是8位单通道灰度图像
2.OutputArray:存储检测到的圆的输出矢量
3.method:使用的检测方法,目前opencv只有霍夫梯度法一种方法可用,该参数填HOUGH_GRADIENT即可(opencv 4.1.0下)
4.dp:double类型的dp,用来检测圆心的累加器图像的分辨率于输入图像之比的倒数,且此参数允许创建一个比输入图像分辨率低的累加器。
上述文字不好理解的话,来看例子吧。例如,如果dp= 1时,累加器和输入图像具有相同的分辨率。如果dp=2,累加器便有输入图像一半那么大的宽度和高度。
5.minDist:为霍夫变换检测到的圆的圆心之间的最小距离
6.param1:它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT,
它表示传递给canny边缘检测算子的高阈值,而低阈值为高阈值的一半。
7.param2:也是第三个参数method设置的检测方法的对应的参数,对当前唯一的方法霍夫梯度法HOUGH_GRADIENT,
它表示在检测阶段圆心的累加器阈值。它越小的话,就可以检测到更多根本不存在的圆,而它越大的话,能通过检测的圆就更加接近完美的圆形了。
8.minRadius:表示圆半径的最小值
9.maxRadius:表示圆半径的最大值
*/
src.copyTo(dst);//将src传递到dst中,并在dst中画圆
//画圆
for (size_t i = 0; i < pcricles.size(); i++)
{
Vec3f cc = pcricles[i];
//霍夫圆检测输出结果--圆心坐标,1.x0 2.y0,圆半径 3.r
circle(dst, Point(cc[0], cc[1]), cc[2], Scalar(0, 0, 255), 2, LINE_AA);
//画一下圆心
circle(dst, Point(cc[0], cc[1]), 2, Scalar(255, 0, 0), 2, LINE_AA);
}
imshow("output_img", dst);
3.像素重映射
对像素进行映射,从而对图片进行相关操作
相关操作:
map_x.create(src.size(), CV_32FC1);//创建一张src大小的32位单通道图像
map_y.create(src.size(), CV_32FC1);
int c = 0;
while (true)
{
c = waitKey(500);
index = c % 4;//case 0-3
if ((char)c == 27)//ESC
{
break;
}
update_map();
remap(src, dst, map_x, map_y, INTER_LINEAR, BORDER_CONSTANT, Scalar(0, 255, 255));//重定向算法 INTER_LINEAR--使用线性插值方法插值,BORDER_CONSTANT--使用定义颜色填充边缘
imshow("output_Img", dst);
}
return 0;
}
void update_map(void) {
//对每个像素定义x,y map映射规则
for (int row = 0; row < src.rows; row++)
{
for (int col = 0; col < src.cols; col++)
{
switch (index){
//四种常见操作
case 0://缩小一半
if (col > src.cols * 0.25 && col<src.cols * 0.75 && row>src.rows * 0.25 && row < src.rows * 0.75) {
//只保留0.25-0.75并减去0.25 即0-0.5 然后扩大一倍填充像素,实际只有一半大小
map_x.at<float>(row, col) = 2 * (col - src.cols * 0.25) + 0.5;
map_y.at<float>(row, col) = 2 * (row - src.rows * 0.25) + 0.5;
}
else
{
//0-0.25 0.75-1都不要
map_x.at<float>(row, col) = 0;
map_y.at<float>(row, col) = 0;
}
break;
case 1:
//x方向对调
map_x.at<float>(row, col) = src.cols - col-1;//-1 考虑边缘场景
map_y.at<float>(row, col) = row;
break;
case 2:
map_x.at<float>(row, col) = col;
map_y.at<float>(row, col) = src.rows - row - 1;
break;
case 3:
//x,y全部对调
map_y.at<float>(row, col) = src.rows - row - 1;
map_x.at<float>(row, col) = src.cols - col - 1;
break;
}
}
}