直线检测之Hough变换（霍夫变换）

最新推荐文章于 2024-09-17 18:15:04 发布

一叶执念

最新推荐文章于 2024-09-17 18:15:04 发布

阅读量8.4k

点赞数 10

分类专栏：概念图像处理文章标签：算法图像处理

本文链接：https://blog.csdn.net/YiYeZhiNian/article/details/120661529

版权

概念同时被 2 个专栏收录

14 篇文章 2 订阅

订阅专栏

图像处理

1 篇文章 0 订阅

订阅专栏

霍夫变换，英文名称Hough Transform，作用是用来检测图像中的直线或者圆等几何图形的。

给定一张图像中的n个点，假设我们希望找到这些点中一个位于直线上的点集，一种可行的解决方法是，先找到所有由每对点确定的直线，然后寻找靠近特定直线的点的所有子集。这种方法涉及寻找n(n-1)/2~n^2 条直线，然后对每个点。与所有直线执行(n)(n(n-1))/2~n^3次比较。这种方法因为计算量太大基本上没有应用价值。

霍夫[Hough 1962]提出一种替代方法，通常称为霍夫变换。考虑xy平面上的一个点 $x_i,y_i)$ 和斜截式形式为 $y_i=ax_i+b$ 的一条直线。我们知道通过点 $x_i,y_i)$ 的直线有无数条，且对于不同的a,b值，它们都满足方程 $y_i=ax_i+b$ 。

然而，若我们将等式写为 $b=-x_ia+y_i$ ,并考虑ab平面（也称为参数空间），将得到固定点 $x_i,y_i)$ 的单条直线方程，该直线是唯一确定的。 $v$

此外，对于第二个点 $x_j,y_j)$ 在参数空间中也有一条与之对应的直线，除非它们平行，否则这条直线会与 $x_i,y_i)$ 对应的直线相较于点 $(a, b)$ 。其中a为斜率，b是包含xy平面中点 $x_i,y_i)$ 和点 $x_j,y_j)$ 的直线的截距。事实上，这条直线上的所有点在参数空间中都有相交于 $(a, b)$ 的直线。

下图形象的说明了霍夫变换的过程：
在这里插入图片描述
如上图所示，左边图中有四个点：（-2，-2），（1,1），（1，-1）以及（3,3）。要从这四个点中确定一条最可能的直线。假设直线方程为
$y = m x + b$
将其转化为参数空间方程：
$y - m x = b$
根据该参数空间中唯一确定的四条直线，可以直观的看出其中三条直线交于一个点，则说明这三个点实际上在一条直线上，直线的参数m以及b由参数空间交点确定。
$m = 1, b = 0$
由此可以确定左图中的直线方程为：
$y = x$
实际上根据左图我们确实可以看出直线方程与求解的结果是一样的。
理论上，可以画出对应于xy平面中所有点 $x_k,y_k)$ 的参数空间直线，且空间中的主要直线可以在参数空间中通过确定的点来找到，参数空间中的大量线在此点处相交。但这种方法的一个问题是，当该直线逼近垂直方向时，a（直线的斜率）会趋向于无限大。解决该问题的方法之一是，使用一条直线的法线表示：
$xcos\theta+ysin\theta=\rho$
在这里插入图片描述
其中，ρ代表直线到原点的垂直距离，θ代表x轴到直线垂线的角度，取值范围为±90∘，如图所示。

与直角坐标类似，极坐标中的Hough变换也将图像坐标空间中的点变换到参数空间中。

更直观的，直角坐标系的三点共线，对应于 ρ − θ空间的多线共点。
在这里插入图片描述
在极坐标空间使用hough变换来检测直线的思想就是：为每一个点假设n个方向的直线，通常n=180，此时检测的直线的角度精度为1°，分别计算这n条直线的 $（\rho,\theta）$ 坐标，得到n个坐标点。如果要判断的点共有N个，最终得到的 $（\rho,\theta）$ 坐标有N * n个。有关这N * n个 $（\rho,\theta）$ 坐标，其中 θ是离散的角度，共有180个取值。

最重要的地方来了，如果多个点在一条直线上，那么必有这多个点在 θ =某个值 $\theta_{i}$ 时，这多个点的 $\rho$ 近似相等于 $\rho_{i}$ ,也就是说这多个点都在极坐标直线 $（\rho_i,\theta_i）$ 上。

换句话说，在极坐标表示下，原图像坐标空间中共线的点变换到参数空间中后，在参数空间都相交于同一点，此时所得到的 $\rho$ 、 $\theta$ 即为所求的直线的极坐标参数。与直角坐标不同的是，用极坐标表示时，图像坐标空间的共线的两点 $x_i,y_i)$ 和 $x_j,y_j)$ 映射到参数空间是两条正弦曲线或者参数空间的直线上，相交于点 $（\rho_0,\theta_0）$ 。

类似于这样一个例子：

在这里插入图片描述
这张图对应的是直角坐标系下的，但是原理上来说是一样的。对于每一根直角坐标系下的直线（极坐标系下的曲线），对其两个参数中的其中一个参数取整，求出另一个参数并取整，这样得到一系列离散的整数点。将这些整数点所在的网格+1，即得到每个网格被直线经过的次数。例如上图中两条直线经过一系列的格子并存在一个交点。则网格中被经过的点的值都被+1，而相交的点被进行了两次+1，所以该点变成了+2。在将所有直线经过的网格全部统计完成后，就可以看到哪个网格被直线经过的最多，该点也就是所有参数坐标系的交点。

霍夫变换的魅力就在于可将 $\rho$ 、 $\theta$ 参数空间划分为所谓的累加单元。坐标 $(i, j)$ 处的单元具有累加值 $A (i, j)$ 。最初，对于xy平面中的每个非背景点 $x_k,y_k)$ ，令 $\theta$ 等于 $\theta$ 轴上每个允许的细分值，同时使用方程 $\rho=x_kcos\theta+y_ksin\theta$ 解出对应的 $\rho$ 。对得到的 $\rho$ 进行四舍五入，得到沿 $\rho$ 轴的最近接的允许单元值。若选择的一个 $\theta_p$ 值得到解 $\rho_q$ ，则令 $A (p, q) = A (p, q) + 1$ 。在这一过程结束后， $A (i, j)$ 中的值P将意味着xy平面中有P个点位于直线 $xcos\theta_j+ysin\theta_j=\rho_i$ 上。 $\rho$ 、 $\theta$ 平面中的细分数量决定了这些点的共线精度。

虽然上述例子将霍夫变换应用于直线检测上，但实际上霍夫变换适用于形如 $g (v, c) = 0$ 的任何函数。其中 $v$ 是坐标向量， $c$ 是系数向量。例如位于圆：
$x-c_1)^2+(y-c_2)^2=c_3^2$
上的点可以使用刚才的讨论方法来检测。不同之处是存在3个参数 $c_1,c_2,c_3)$ ,在三维参数空间中，这三个参数导致了类似于立体的单元和形如 $A (i, j, k)$ 的累加器。过程是，增加 $c_1和c_2$ ，求出满足上式的 $c_3$ ，并更新与三元数组 $c_1,c_2,c_3)$ 相关联的累加单元。很明显，霍夫变换的复杂性取决于给定函数表达式中的坐标和系数数量。霍夫变换有可能进一步推广到检测无简单解析表达式的曲线，如变换为灰度级图像那样的应用。