opencv（十五）-hough变换

奋斗的大庆

于 2020-09-17 17:44:17 发布

阅读量449

点赞数

分类专栏：学习Opencv4.4.0

本文为博主参考书籍和他人文章并加上自己的理解所编的学习笔记分享学习。若涉及到引用您的文章内容请评论区告知！如有错误欢迎指正！如若转载文章，请标明出处！

本文链接：https://blog.csdn.net/cutemypig/article/details/108595316

版权

学习Opencv4.4.0 专栏收录该内容

22 篇文章 11 订阅

订阅专栏

索引目录

1.hough线检测
2.hough圆检测
3.hough椭圆检测
参考

1.hough线检测

原理见博客：https://blog.csdn.net/u010429424/article/details/77822783

 cv::HoughLines(InputArray src, // 输入图像，必须8-bit的灰度图像
                OutputArray lines, // 输出的极坐标来表示直线，经过调用HoughLines函数后储存了霍夫线变换检测到线条的输出矢量。每一条线由具有两个元素的矢量（ρ，θ）表示，其中，ρ是离坐标原点((0,0)（也就是图像的左上角）的距离。 θ是弧度线条旋转角度（0~ 垂直线，π/2~水平线）。
                double rho, // 生成极坐标时候的像素扫描步长，一般取值为 1 ，不要大于图像尺寸的一半
                double theta, //生成极坐标时候的角度步长，一般取值CV_PI/180，即表示一度
                int threshold, // 阈值，只有获得足够交点的极坐标点才被看成是直线
                double srn=0;// 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，多尺度表示的是使用图像金字塔，即多尺度图上进行霍夫变换
                double stn=0;//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
                double min_theta=0; // 表示角度扫描范围 0 ~180之间， 默认即可
                double max_theta=CV_PI
                  ) // 一般情况是有经验的开发者使用，需要自己反变换到平面空间

#include <iostream>
#include <opencv2\opencv.hpp>
#include <opencv2\imgproc\imgproc.hpp>

using namespace cv;
using namespace std;

int main()
{
	Mat src = imread("images/sudoku.png");
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input", WINDOW_AUTOSIZE);
	imshow("input", src);
	// 去噪声与二值化
	Mat gray, binary;
	Canny(src, binary, 80, 160, 3, false);
	imshow("binary", binary);
	imwrite("D:/binary.png", binary);
    // 定义矢量结构存放检测出来的直线
	vector<Vec2f> lines;
	//通过这个函数，我们就可以得到检测出来的直线集合了
	HoughLines(midImage, lines, 1, CV_PI / 180, 150, 0, 0);
	//这里注意第五个参数，表示阈值，阈值越大，表明检测的越精准，速度越快，得到的直线越少（得到的直线都是很有把握的直线）
	//这里得到的lines是包含rho和theta的，而不包括直线上的点，所以下面需要根据得到的rho和theta来建立一条直线

	//依次画出每条线段
	for (size_t i = 0; i < lines.size(); i++)
	{
		float rho = lines[i][0]; //就是圆的半径r
		float theta = lines[i][1]; //就是直线的角度
		Point pt1, pt2;
		double a = cos(theta), b = sin(theta);
		double x0 = a*rho, y0 = b*rho;
		pt1.x = cvRound(x0 + 1000 * (-b));
		pt1.y = cvRound(y0 + 1000*(a));
		pt2.x = cvRound(x0 - 1000*(-b));
		pt2.y = cvRound(y0 - 1000 * (a));

		line(dstImage, pt1, pt2, Scalar(55, 100, 195), 1, LINE_AA); //Scalar函数用于调节线段颜色，就是你想检测到的线段显示的是什么颜色

		imshow("边缘检测后的图", midImage);
		imshow("最终效果图", dstImage);
	}
	waitKey();
	return 0;
}

cv::HoughLinesP(
InputArray src, // 输入图像，必须8-bit的灰度图像
OutputArray lines, // 输出的极坐标来表示直线，经过调用HoughLinesP函数后后存储了检测到的线条的输出矢量，每一条线由具有四个元素的矢量(x_1,y_1, x_2, y_2） 表示，其中，(x_1, y_1)和(x_2, y_2) 是是每个检测到的线段的结束点。
double rho, // 生成极坐标时候的像素扫描步长，一般取值为 1
double theta, //生成极坐标时候的角度步长，一般取值CV_PI/180，即表示一度
int threshold, // 阈值，只有获得足够交点的极坐标点才被看成是直线
double minLineLength=0;// 最小直线长度，有默认值0，表示最低线段的长度，比这个设定参数短的线段就不能被显现出来。
double maxLineGap=0;// 最大间隔，有默认值0，允许将同一行点与点之间连接起来的最大的距离。
)

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, const char *argv[])
{
	Mat src = imread("images/sudoku.png");
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input", WINDOW_AUTOSIZE);
	imshow("input", src);


	// 去噪声与二值化
	Mat gray, binary;
	Canny(src, binary, 80, 160, 3, false);
	imshow("binary", binary);
	imwrite("D:/binary.png", binary);

	vector<Vec4i> lines;
	//'1'生成极坐标时候的像素扫描步长，'CV_PI/180'生成极坐标时候的角度步长，'80'判断线条是否属于直线的阈值，最小直线长度，'30'返回线段的最小长度，'10'共线线段之间的最小间隔，可以实现断线连接
	HoughLinesP(binary, lines, 1, CV_PI / 180, 80, 30, 10);
	Mat result = Mat::zeros(src.size(), src.type());
	for (size_t i = 0; i < lines.size(); i++)
	{
		line(result, Point(lines[i][0], lines[i][1]),
			Point(lines[i][2], lines[i][3]), Scalar(0, 255, 0), 1, 8);
	}
	imshow("contours", result);

	waitKey(0);
	return 0;

	waitKey(0);
	return 0;
}

2.hough圆检测

cv::HoughCircles(
InputArray image, // 输入图像 ,必须是8位的单通道灰度图像
OutputArray circles, // 输出结果，发现的圆信息
Int method, // 方法 - HOUGH_GRADIENT
Double dp, // dp = 1; 累加图像的分辨率。dp的取值越高，越容易检测到圆
Double mindist, // 10 最短距离-可以分辨是两个圆的，否则认为是同心圆- src_gray.rows/8
Double param1, //100， canny edge detection high threshold
Double param2, // 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
Int minradius, // 最小半径
Int maxradius//最大半径 )

能较好的检测出圆心，但没法得出满意的半径，因此：
修改minRadius和maxRadius得出合适的半径
只得出圆心，半径通过其他算法得到

#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <math.h>
using namespace cv;
using namespace std;
int main(int argc, char** argv)
{
	Mat gray;
	int dp =2; //
	int min_radius = 20;
	int max_radius = 100;
	int minDist = 10;//两个圆之间存在的最小距离
	Mat src = imread("images/coins.jpg");
	imshow("input", src);
	cvtColor(src, gray, COLOR_BGR2GRAY);
	GaussianBlur(gray, gray, Size(9, 9), 2, 2);
	vector<Vec3f> circles;
	HoughCircles(gray, circles, HOUGH_GRADIENT, dp, minDist, 100, 100, min_radius, max_radius);
	for (size_t i = 0; i < circles.size(); i++)
	{
		Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
		int radius = cvRound(circles[i][2]);
		// 绘制圆
		circle(src, center, 3, Scalar(0, 255, 0), -1, 8, 0);
		circle(src, center, radius, Scalar(0, 0, 255), 3, 8, 0);
	}
	namedWindow("circles", 1);
	imshow("circles", src);
	waitKey(0);
	return 0;
}

3.hough椭圆检测

    椭圆几何定理：设平面上有一个椭圆，点c为椭圆圆心，任取平面上一点p(不同于点c)，点p距椭圆上点的最大距离一定大于点 c距椭圆上点的最大距离。
    下面介绍所采用的椭圆检测方法。其指导思想是利用上面的椭圆几何定理，通过查找距离椭圆上点最大距离最小的点来找到圆心，同时这个最小的最大距离就是椭圆的长轴长度。通过这种方法，椭圆的5个参数(椭圆圆心点横、纵坐标，长、短轴长，旋转角度)得到了3个，剩下的2个参数就可以在二维参数空间上统计了，即可以采用Hough变换检测直线的相同方法来检测椭圆了。
    算法的具体操作步骤如下：
    (1)对要处理的图像进行边缘检测，得到二值化的边缘轮廓图，将边缘图上的点存入数组A。
    (2)对二维平面上的每一点，计算与上一步所得数组A中点的距离，得到每一点距数组A 中点的最大距离，所有点中最大距离最小的点即是椭圆圆心(p,q)，该最大距离即是椭圆长轴长度 a。
    (3)将数组A中每一点的数值和刚才得到的3个椭圆参数p、q、a代入椭圆方程E：

在这里插入图片描述
在二维参数空间上对参数b、θ进行统计，得到峰值超过一定阈值的一组参数即为椭圆。

    Mat grayImg = srcImg.clone();
    Mat colorImg;
 
    cvtColor(grayImg, colorImg, CV_GRAY2BGR);
    GaussianBlur(grayImg, grayImg, Size(3,3), 0, 0); //高斯平滑
    Canny(grayImg, grayImg, 100, 200, 3);            //Canny边缘检测
    namedWindow("Canny", CV_WINDOW_AUTOSIZE);
    imshow("Canny", grayImg);
    //提取轮廓
    vector<vector<Point>>  contours;
    vector<Vec4i> hierarchy;
    findContours(grayImg,contours,hierarchy,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE);
    //绘制查找到的轮廓
    //drawContours(colorImg, contours, -1, Scalar(0,255,0));
    //imshow("cour.bmp",colorImg);
    //Hough变换
    int accumulate;   // Hough空间最大累积量
    Ellipse myellipse;
    Mat elliImg(grayImg.size(),CV_8UC3,Scalar(0));
    for(int i=0;i< contours.size();i++)
    {
        myellipse.Computer_axy(contours[i],grayImg.size());
        accumulate=myellipse.hough_ellipse(contours[i]);
        //cout<<"accumulate:"<<accumulate<<endl;
        //cout<<"contours[i].size():"<<contours[i].size()<<endl;
        // 判断是否超过给定阈值，判断是否为椭圆,并通过长轴与短轴的轴长差去除干扰
        if(accumulate>=contours[i].size()*0.25 && abs(myellipse.getLongAxis()-myellipse.getShortAxis())>2.0
                && abs(myellipse.getLongAxis()-myellipse.getShortAxis())<50.0)
            elliImg=myellipse.draw_Eliipse(colorImg);
    }