使用CImg利用霍夫变换检测图像中的直线和圆

检测直线

边缘检测

首先对图片进行处理，使用上次的代码生成边缘图。（参考上一篇博客）

由于这次的目的是为了检测A4纸的边缘，所以不需要中间文字的小边缘，可以在计算sobel算子时增加亮度梯度阀值。

由于这次给的图片尺寸很大，这样计算太慢，所以我只采用了高斯模糊和sobel的步骤，并使用CImg的函数来进行灰度化和高斯模糊，并将sobel算子替换为更简单的Prewitt算子，并使用CImg内置的邻域矩阵CImg_3x3和循环cimg_for3x3来加快计算速度。

void Hough::Prewitt()
{
	gradnum = CImg<double>(img.width(), img.height(), 1, 1, 0);
	// 定义3*3领域矩阵I  
	CImg_3x3(I, double);
	// 遍历计算梯度值  
	cimg_for3x3(gFiltered, x, y, 0, 0, I, double) {
		const double ix = Inc - Ipc;
		const double iy = Icp - Icn;
		double grad = std::sqrt(ix*ix + iy * iy);
		// 梯度大于阈值才赋值  
		if (grad > gradLimit) {
			gradnum(x, y) = grad;
		}
	}
}

霍夫变换

声明一个霍夫空间，x轴为角度，值域0到PI，分为180份，纵轴为原图对角线的长度，这是由直角坐标系转极坐标系的关系得到的。注意这里theta并不需要0-2PI，因为0-PI就可以表示出直线的所有角度，用0-2PI的话反而会因为0和2PI表示同一条直线，但在霍夫空间的距离却很远，导致在相邻直线检测时无法很好区分。圆的话还是用2PI比较好。

houghImage = CImg(theta, max_length, 1, 1, 0);

对直角坐标系上的每个点，计算经过该点的直线在霍夫空间的坐标，对应像素值加一，这就是投票的过程。

void Hough::houghSpaceTransform()
{
	houghImage = CImg<int>(theta, max_length, 1, 1, 0);

	cimg_forXY(gradnum, x, y) {
		int temp = gradnum(x, y);
		if (temp != 0) {
			for (int i = 0; i < theta; ++i) {
				double r = x * cos(i*interval) + y * sin(i*interval);
				if (r >= 0 && r < max_length) {
					houghImage(i, r)++;		//voting
				}
			}
		}
	}
}

运行后发现经过简化处理后的边缘与原来的边缘差别不大。

由于霍夫变换后曲线的交点并不一定真的交于一点，所以一般的做法是取一个区域内投票数最多的点。

void Hough::houghLinesDetect()
{
	cimg_forXY(houghImage, x, y) {
		if (houghImage(x, y) > min_votes) {
			bool flag = false;
			for (auto& c : peaks) {
				if (distance(c.x - x, c.y - y) < min_distance) {
					flag = true;
					if (houghImage(x, y) > houghImage(c.x, c.y)) {
						c = Point(x, y);
					}
				}
			}
			if (!flag) {
				peaks.push_back(Point(x, y));
			}
		}
	}
	cout << peaks.size() << endl;

}

这里有两个参数

	int min_votes = 200;	//最小投票数
	int min_distance = 200;		//最小距离```

通过调整这两个参数，可以使得最后刚好检测出4条直线，如果检测出的直线十分靠近，可以考虑增加min_distance。

计算直角坐标

接下来就是根据得到的霍夫空间的坐标画出直线。这里要考虑两种情况，一是斜率不存在，二是斜率为0。所以最后写直线方程时我统一写成了ax+by+c=0的形式。

		if (peaks[i].x > 0&&peaks[i].x<=360) {	//斜率存在
			if (lines[i].k != 0) {	
				result.draw_line(x0, y_min, x1, y_max, lines_color);
				//cout << x0 << " " << y_min << " " << x1 << " " << y_max << endl;
			}
			else {	//斜率为0
				result.draw_line(x_min, y, x_max, y, lines_color);
			}
		}
		else {		//斜率不存在
			result.draw_line(x, y_min, x, y_max, lines_color);

			//cout << y_min << " " << x << endl;
		}

然后求解直线交点，这里要注意由于浮点数精度问题，无法准确表现出PI/2，在计算三角函数值时会出错，需要单独处理。

			double angle1 = peaks[j].x*interval;
			double a1 = cos(angle1), b1 = sin(angle1), c1 = -peaks[j].y;
			if (peaks[j].x == 90|| peaks[j].x == 270)
				a1 = 0;
			double D = a0 * b1 - a1*b0;
			//cout << "D " << D <<" "<< a0 * b1 << " " << a1 * b0 << endl;
			if (D != 0) {
				int x = (b0*c1 - b1 * c0) / D;
				int y = (a1*c0 - a0 * c1) / D;
				//cout <<"P"<< (b0*c1 - b1 * c0) / D << endl;
				if (x > 0 && x < width - 1 && y>0 && y < height - 1) {
					points.push_back(Point(x, y));
				}
			}

效果

但是也有一些干扰比较大的图的识别效果不够好，就只好使用上次作业的边缘检测和边缘跟踪算法过滤掉干扰边缘。但是对于这样大小的图像时间可能需要几分钟，而使用简化的算法只需要数秒。

霍夫圆检测

原理

根据极坐标，圆上任意一点的坐标可以表示为如上形式。所以对于任意一个圆, 假设中心像素点p(x0, y0)像素点已知，圆半径已知，则旋转360°由极坐标方程可以得到每个点上的坐标。同样，如果只是知道图像上像素点, 圆半径，旋转360°则中心点处的坐标值必定最强。这正是霍夫变换检测圆的数学原理。

由于第二题的图片大小较小，并且干扰因素较多，所以可以直接用上次的代码进行边缘处理。
对于圆来说，霍夫空间的参数就是圆心的坐标，然后选择不同的半径进行投票，找到每次houghImage里面的最大投票数，这个投票数表示当前r的吻合程度，然后用投票数最大的r作为最好的r，票数超过阀值rLimit的就认为是一个圆的半径。

合理的选择r的区间(minR, maxR)可以有效减少遍历的次数，加快处理速度。

在确定了r之后，重新进行霍夫投票，将霍夫图像中投票数超过阀值的点对应圆心的坐标和值存入数组，这个值就代表了投票的结果，根据值进行排序，并判断检测出来的圆心坐标是否跟已检测的圆心坐标的距离，如果距离过小，默认是同个圆，最后输出结果。在这里，与圆形相关的像素就是圆心，用红色表示。

选择合适的参数可以加快运行速度，提高准确率，运行时间因图片大小不同在几分钟左右。

	//圆
	double minRadius = 200;
	int minR = 150, maxR = 300;
	int rLimit = 80;		//筛选半径
	int voteLimit = 40;		//筛选圆心

效果

完整代码

https://github.com/CurryYuan/Computer-Vision/tree/master/Hough transform