目录
c++
C++: void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength=0, double maxLineGap=0 )
第一个参数,InputArray类型的image,输入图像,即源图像,需为8位的单通道二进制图像,可以将任意的源图载入进来后由函数修改成此格式后,再填在这里。
第二个参数,InputArray类型的lines,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。
第三个参数,double类型的rho,以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径。
第四个参数,double类型的theta,以弧度为单位的角度精度。另一种形容方式是直线搜索时的进步尺寸的单位角度。
第五个参数,int类型的threshold,累加平面的阈值参数,即识别某部分为图中的一条直线时它在累加平面中必须达到的值。大于阈值threshold的线段才可以被检测通过并返回到结果中。
第六个参数,double类型的minLineLength,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。
第七个参数,double类型的maxLineGap,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。
原文链接:https://blog.csdn.net/cqltbe131421/article/details/60870466
检测垂直线
Mat src = imread("F:/project/jushi/ellipse_detector-sdk/images/04_00010.bmp", IMREAD_COLOR);
Mat canny;
Canny(src, canny, 100, 250);
imshow("canny", canny);
vector<Vec2f> lines;
HoughLines(canny, lines, 1.0, CV_PI / 180, 102, 0, 0, 0,0.1); //垂直直线
//依次在图中绘制出每条线段
for (size_t i = 0; i < lines.size(); i++)
{
float rho = lines[i][0], theta = lines[i][1];
Point pt1, pt2;
double a = cos(theta), b = sin(theta);
double x0 = a * rho, y0 = b * rho;
pt1.x = cvRound(x0 + 2000 * (-b)); //把浮点数转化成整数
pt1.y = cvRound(y0 + 2000 * (a));
pt2.x = cvRound(x0 - 2000 * (-b));
pt2.y = cvRound(y0 - 2000 * (a));
line(src, pt1, pt2, Scalar(255), 1, CV_AA);
}
imshow("src", src);
waitKey(0);
检测所有线:
Mat src = imread("F:/project/jushi/ellipse_detector-sdk/images/04_00010.bmp", IMREAD_COLOR);
Mat src1, src2, src3, src4, dst;
namedWindow("效果图窗口", 1);//定义窗口
Canny(src, src1, 50, 200, 3);//进行一此canny边缘检测
cvtColor(src1, src2, CV_GRAY2BGR);//转化边缘检测后的图为灰度图
vector<Vec4i> lines; //定义一个矢量结构lines用于存放得到的线段矢量集合
//HoughLines(src1, lines, 1, CV_PI / 180, 150, 0, 0);
HoughLinesP(src1, lines, 1, CV_PI / 180, 80, 50, 10);//进行霍夫线变换
for (size_t i = 0; i < lines.size(); i++)
{
float rho = lines[i][0], theta = lines[i][1];
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));
Vec4i l = lines[i];
line(src2, pt1, pt2, Scalar(55, 100, 195), 1, CV_AA);
}
imshow("效果图窗口1", src1);
imshow("效果图窗口2", src2);
waitKey(0);
python RANSAC直线检测
import cv2
import numpy as np
# 读取图像,并将其转换为灰度图像
image = cv2.imread('your_image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 应用二值化操作
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# 对于检测到的每个轮廓,使用 RANSAC 方法拟合直线
for contour in contours:
# 至少需要两个点来拟合直线
if contour.shape[0] >= 2:
# 使用 fitLine 得到直线的参数
# 你可以尝试使用 cv2.DIST_HUBER 或 cv2.DIST_RANSAC
line_parameters = cv2.fitLine(contour, cv2.DIST_L2, 0, 0.01, 0.01)
vx, vy, x, y = line_parameters.flatten()
# 计算直线的两个端点
lefty = int((-x * vy / vx) + y)
righty = int(((gray_image.shape[1] - x) * vy / vx) + y)
# 绘制直线
cv2.line(image, (gray_image.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 2)
# 展示结果
cv2.imshow('Detected Lines with RANSAC', image)
cv2.waitKey(0)
cv2.destroyAllWindows()