hough 变换

##hough 变换

原理

过直角坐标系下的一个点，有无数条线，每条线都有唯一的极坐标表示(ρ，Θ)。在极坐标系下的点，用经过该点的直线极坐标表示为曲线。

在直角坐标系下的一个（直线交）点，在极坐标系下可表示为一个曲线。
在直角坐标系下的一条直线，在极坐标系下可表示为一个（曲线交）点。

直角坐标系下的直线，在极坐标系下则表示为曲线交点（包含同一条直线）

详细介绍
http://blog.csdn.net/on2way/article/details/47028969

分析这么多，可想而知那么一个hough变换在算法设计上就可以如下步骤：
（1）将参数空间(ρ,θ)量化，赋初值一个二维矩阵M，M(ρ,θ)就是一个累加器了。
（2）然后对图像边界上的每一个点进行变换，变换到属于哪一组(ρ,θ)，就把该组(ρ,θ)对应的累加器数加1，这里的需要变换的点就是上面说的经过边缘提取以后的图像了。
（3）当所有点处理完成后，就来分析得到的M(ρ,θ)，设置一个阈值T，认为当M(ρ,θ)>T，就认为存在一条有意义的直线存在。而对应的M(ρ,θ)就是这组直线的参数，至于T是多少，自己去式，试的比较合适为止。
（4）有了M(ρ,θ)和点（x,y）计算出来这个直线就ok了。

说了这么多，这就是原理上hough变换的最底层原理，事实上完全可以自己写程序去实现这些，然而，也说过，hough变换是一个耗时耗力的算法，自己写循环实现通常很慢，曾经用matlab写过这个，也有实际的hough变换例子可以看看：

虹膜识别（三）：Hough变换检测内圆边缘

那么我们在实际中大可不必自己写，opencv已经集成了hough变换的函数，调用它的函数效率高，也很简单。
Opencv中检测直线的函数有cv2.HoughLines()，cv2.HoughLinesP()
函数cv2.HoughLines()返回值有三个（opencv 3.0），实际是个二维矩阵，表述的就是上述的(ρ,θ)，其中ρ的单位是像素长度（也就是直线到图像原点(0,0)点的距离），而θ的单位是弧度。
这个函数有四个输入，第一个是二值图像，上述的canny变换后的图像，二三参数分别是ρ和θ的精确度，可以理解为步长。第四个参数为阈值T，认为当累加器中的值高于T是才认为是一条直线。自己画了个图实验一下：

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

img = cv2.imread('line.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 

#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])

#hough transform
lines = cv2.HoughLines(edges,1,np.pi/180,160)
lines1 = lines[:,0,:]#提取为为二维
for rho,theta in lines1[:]: 
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(img,(x1,y1),(x2,y2),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

函数cv2.HoughLinesP()是一种概率直线检测，我们知道，原理上讲hough变换是一个耗时耗力的算法，尤其是每一个点计算，即使经过了canny转换了有的时候点的个数依然是庞大的，这个时候我们采取一种概率挑选机制，不是所有的点都计算，而是随机的选取一些个点来计算，相当于降采样了。这样的话我们的阈值设置上也要降低一些。在参数输入输出上，输入不过多了两个参数：minLineLengh(线的最短长度，比这个短的都被忽略)和MaxLineCap（两条直线之间的最大间隔，小于此值，认为是一条直线）。输出上也变了，不再是直线参数的，这个函数输出的直接就是直线点的坐标位置，这样可以省去一系列for循环中的由参数空间到图像的实际坐标点的转换。

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

img = cv2.imread('room.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=60,maxLineGap=10)
lines1 = lines[:,0,:]#提取为二维
for x1,y1,x2,y2 in lines1[:]: 
    cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

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。