✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、Hough简介
霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。霍夫变换于1962年由Paul Hough 首次提出[53]，后于1972年由Richard Duda和Peter Hart推广使用[54]，经典霍夫变换用来检测图像中的直线，后来霍夫变换扩展到任意形状物体的识别，多为圆和椭圆。
霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题，上一节中已经介绍了车道的直线特征，本节中介绍hough变换检测直线的原理和检测结果。
我们知道，一条直线在直角坐标系下可以用y=kx+b表示, 霍夫变换的主要思想是将该方程的参数和变量交换，即用x,y作为已知量k,b作为变量坐标，所以直角坐标系下的直线y=kx+b在参数空间表示为点(k,b)，而一个点(x1,y1)在直角坐标系下表示为一条直线y1=x1·k+b，其中(k,b)是该直线上的任意点。为了计算方便，我们将参数空间的坐标表示为极坐标下的γ和θ。因为同一条直线上的点对应的(γ,θ)是相同的，因此可以先将图片进行边缘检测，然后对图像上每一个非零像素点，在参数坐标下变换为一条直线，那么在直角坐标下属于同一条直线的点便在参数空间形成多条直线并内交于一点。因此可用该原理进行直线检测。
如图 所示，对于原图内任一点(x,y)都可以在参数空间形成一条直线，以图中一条直线为例有参数(γ,θ)=(69.641,30°)，所有属于同一条直线上的点会在参数空间交于一点，该点即为对应直线的参数。由该图中所有直线所得到的(γ,θ)在参数空间中得到一系列对应曲线见图 霍夫统计变换结果。
⛄二、部分源代码
clear all;
close all;
clc;
P= imread(‘时钟-2.jpg’); %2/5/8/11 没问题 7/10反 13图分针错 16图时针错
I = imresize(P,0.7); % 图像缩小70%
% figure(‘NumberTitle’, ‘off’, ‘Name’, ‘原图’);
% imshow(I);
% 去除背景
[m,n]=size(I);
for i=1:m
for j=1:n
if I(i,j)>100
I(i,j)=256;
end
end
end
imshow(I);
I1 = im2bw(I); %rgb转化为二值化图像
% figure(‘NumberTitle’, ‘off’, ‘Name’, ‘二值化后图像’);
% imshow(I1);
% I2 = edge(I1,‘canny’); %canny 算子提取边界
% figure(3)
% imshow(I2)
I20 = imcomplement(I1); %图像反色
% figure(‘NumberTitle’, ‘off’, ‘Name’, ‘反色后图像’);
imshow(I20);
I2 = bwmorph(I20,‘skel’,8); %提取图像骨架 6ci N=6、7、8、9都行 10图取3 11图取5
% figure(‘NumberTitle’, ‘off’, ‘Name’, ‘提取图像骨架’);
imshow(I2);
%检测直线
[H,T,R] = hough(I2);
figure(‘NumberTitle’, ‘off’, ‘Name’, ‘峰值提取效果’);
imshow(H,[],‘XData’,T,‘YData’,R, ‘InitialMagnification’,‘fit’);
xlabel(‘\theta’), ylabel(‘\rho’);
axis on, axis normal, hold on;
P = houghpeaks(H,5,‘threshold’,ceil(0.3*max(H(😃)));
x = T(P(:,2));
y = R(P(:,1));
plot(x,y,‘s’,‘color’,‘white’);
% 找出对应的直线边缘
lines = houghlines(I2,T,R,P,‘FillGap’,5,‘MinLength’,7);
total = length(lines); %检测出的直线总数
figure, imshow(I2),hold on;
% sec_line = 0; %秒针长度
% min_line = 0; %分针长度
% hour_line = 0; %时针长度
array0=[]; %存放检测出的直线长度
array1=[]; %排序后的长度
for k = 1:length(lines)
xy = [lines(k).point1; lines(k).point2];
plot(xy(:,1),xy(:,2),‘LineWidth’,2,‘Color’,‘green’);
% 标记直线边缘对应的起点
plot(xy(1,1),xy(1,2),‘x’,‘LineWidth’,2,‘Color’,‘yellow’);
plot(xy(2,1),xy(2,2),‘x’,‘LineWidth’,2,‘Color’,‘red’);
% 计算直线边缘长度
len = norm(lines(k).point1 - lines(k).point2);
array0(k)=len;
end
%按长度排序,降序排列，前三个数分别是秒针长度、分针长度、时针长度
array1 = sort(array0,‘descend’);
%找到秒针、分针、时针对应的直线，并算出斜率、角度
for k=1:length(lines)
xy = [lines(k).point1; lines(k).point2];
len = norm(lines(k).point1 - lines(k).point2);
if(len == array1(1))
sec_line = xy;
angle_s = lines(k).theta; %算出的角度是与Y轴负方向的夹角， X轴正向是右，Y轴正向是向下
% k_s = (xy(2,2)-xy(1,2))/(xy(2,1)-xy(1,1)) %秒针斜率
end
if( len == array1(2))
min_line = xy;
angle_m = lines(k).theta;
% k_m = (xy(2,2)-xy(1,2))/(xy(2,1)-xy(1,1))
end
if(len == array1(3))
hour_line = xy;
angle_h = lines(k).theta;
% k_h = (xy(2,2)-xy(1,2))/(xy(2,1)-xy(1,1))
end
end
%highlight the longest line segment
%plot(xy_long(:,1),xy_long(:,2),‘LineWidth’,2,‘Color’,‘blue’)
plot(sec_line(:,1),sec_line(:,2),‘LineWidth’,2,‘Color’,‘b’);
plot(min_line(:,1),min_line(:,2),‘LineWidth’,2,‘Color’,‘c’);
plot(hour_line(:,1),hour_line(:,2),‘LineWidth’,2,‘Color’,‘r’);
%转换成常用的xy坐标系
if(angle_m < 0)
angle_m= -angle_m + 90;
else
angle_m = 90 - angle_m;
end
if(angle_h < 0)
angle_h = -angle_h + 90;
else
angle_h = 90 - angle_h;
end
if(angle_s < 0)
angle_s = -angle_s + 90;
else
angle_s = 90 - angle_s;
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]姚河花,田玉,才旦多杰,祝小兰.基于Hough变换的指针式钟表自动识别算法[J].青海大学学报. 2022,40(04)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
492
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
