Hough 变换

                                   Hough 变换

'''
霍夫变换在检测各种形状的技术中非常流行，如果你要检测的形状可以用数学表达式
写出，你就可以是使用霍夫变换检测它。及时检测的形状存在一点破坏或者扭曲也可以使用
'''

准备工作：

import cv2
import numpy as np
import matplotlib.pyplot as plt

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

1.Hough 直线变换

1.OpenCV中的霍夫变换

# Hough 直线变换
'''
霍夫变换在检测各种形状的技术中非常流行，如果你要检测的形状可以用数学表达式
写出，你就可以是使用霍夫变换检测它。及时检测的形状存在一点破坏或者扭曲也可以使用
'''

# OpenCV中的霍夫变换
'''
cv2.HoughLines()
返回值是(p,*)  p是像素，*是弧度
para1: 二值化图像
para2: p的精确度
para3: *的精确度
para4:阈值，只有累加其中的值高于阈值时才被认为是一条直线
也可以把它看成能检测的直线的最短长度（以像素点为单位）
'''
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)

lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)

img1 = img.copy()
for list in lines:
    rho, theta = list[0]  # 取每条直线的弧度和像素点
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * a)
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * a)

    cv2.line(img1, (x1, y1), (x2, y2), (255, 0, 0), 2)
res = np.hstack((img, img1))
cv_show('res', res)

输出结果：

2.Probabilistic Hough Transform

# Probabilistic Hough Transform
'''
从上面的过程我们可以发现：仅仅是一条直线都需要两个参数，这需要大量的计算。
Probabilistic Hough Transform 是对霍夫变换的一种优化。它不会对每一
个点都进行计算，而是从一副图像中随机选取一个点集进行计算。
'''
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)

minLineLength = 100
maxLineGap = 10
'''
minLineLength: 线的最短长度。比这个短的线都会被忽略
maxLineGap: 两条线段之间的最大间隔，如果小于此值，这两条直线看成一条
'''
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)

print(lines)
for list in lines:
    x1, y1, x2, y2 = list[0]
    cv2.line(img, (x1, y1), (x2, y2), (255, 0, 0), 2)

cv_show('name', img)

输出结果：

2.Hough 圆环变换

# Hough 圆环变换
'''
一个圆环需要3个参数来确定。所以圆环霍夫变换的累加器必须是3维的
但效率低。OpenCV提供一个巧妙的办法，霍夫梯度法，它可以使用边界的梯度信息
'''
img = cv2.imread('xiangqi.png')
img = cv2.medianBlur(img, 5)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 30,
 param1=50, param2=40, minRadius=0, maxRadius=0)
'''
HoughCircles(image, method, dp, minDist, param1, param2, minRadius, maxRadius)
image: 输入图像
method: 定义检测图像中圆的方法 HOUGH_GRADIENT
dp:  寻找圆弧圆心的累计分辨率  1 分辨率相同，不能小于1
minDist: 让算法能明显的区分两个不同圆之间的最小距离
param1:用于Canny边缘阈值上线，下限被置位上限的一半
param2:HOUGH_GRADIENT方法的累加器阈值。阈值越小，检测到的圈子越多。
minRadius:最小圆半径
maxRadius:最大圆半径
'''
circles = np.uint16(np.around(circles))
img1 = img.copy()
for i in circles[0, :]:
    # 画外圆
    cv2.circle(img1, (i[0], i[1]), i[2], (0, 255, 0), 2 )
    # 画内圆
    cv2.circle(img1, (i[0], i[1]), 2, (0, 255, 0), 3)
res = np.hstack((img, img1))
cv_show('res', res)

输出结果：