直线霍夫变换笔记

霍夫变换（Hough）

百度百科
霍夫变换是一种特征检测(feature extraction)，被广泛应用在图像分析（image analysis）、计算机视觉(computer vision)以及数位影像处理(digital image processing)。霍夫变换是用来辨别找出物件中的特征，例如：线条。他的算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间(parameter space)中执行投票来决定物体的形状，而这是由累加空间(accumulator space)里的局部最大值(local maximum)来决定。

非常官方的定义，就是看完还是啥都不懂。在我理解看来就是坐标系的映射，类似于直角坐标映射到极坐标，把图像形状所处的二维直角坐标映射到参数空间。在这里拿直线霍夫变换为例。

直线霍夫变换

一个平面直角坐标系里的一条直线，长这样，公式咋写啊
$$y=ax+b$$
霍夫说了我就不这么写，我想这么写
$$y=-cot(theta)x+\rho \ast cos(theta)\ast cot(theta)+\rho \ast sin(theta)$$

公式记得住记不住无所谓了，反正规定的就是上面这张图这样，简单易懂，他就打算把这个直角坐标系里的直线给整到ρ和theta的坐标系里，挺好的一个ρ一个theta就能确定一根直线。
对于一张离散的图片边缘提取矩阵来说，我们把边缘的每一个点都做霍夫变换得到ρ-theta坐标系的一条曲线，这条曲线上的的所有点，都是过这个点的直线，所有的直线累加在一起对应的最大重合点就是对应直线的ρ-theta方程。

下图为两条直线的霍夫变换

附一个简单的霍夫变换子程序

def hough(img):
	a,b=img.shape
	hough_change=np.zeros((4*int(a+b),181))
	for i in range(a):
		for j in range(b):
			if img[i,j]==1:
				for theata in range(181):
					d=int(i*np.cos(np.pi*theata/180)+j*np.sin(np.pi*theata/180))
					hough_change[d+a+b,theata]+=1
	return hough_change

一个简单的逆变换子程序

def rehough(hough,passval):#passval为自己设定的阈值
	recoding=[]
	a,b=hough.shape
	for i in range(a):
		for j in range(b):
			if hough[i,j]>=passval:
				recoding.append((i,j))
	return recoding

一个自己写着玩的小例子，因为嫌麻烦只找了最大值对应的直线