概率Hough Transform是Hough Transform的优化。即使对于具有两个参数的行,Hough Transform也需要大量计算。概率霍夫变换不会考虑所有点,它只需要一个随机的点子集,这对于线检测就足够了。我们可以按照下面给出的步骤在图像上实现概率霍夫变换-
-
导入所需的库。在以下所有示例中,所需的 Python 库是 OpenCV。确保您已经安装了它。
-
使用 cv2.imread() 读取输入图像。使用此方法读取的 RGB 图像采用 BGR 格式。(可选)将读取的 BGR 图像分配给 img。
-
现在使用 cv2.cvtColor() 函数将此 BGR 图像转换为灰度图像,如下所示。(可选)将转换后的灰度图像指定为灰度。
-
对灰度图像应用阈值以将其转换为二进制图像。调整第二个参数(threshValue)以获得更好的二进制图像。
-
使用 Canny 边缘检测器查找二进制图像中的边缘(您可以使用任何其他边缘检测器来检测边缘)。
edges = cv2.Canny(gray,50,200,apertureSize = 3)
-
使用 cv2 在边缘图像上应用概率霍夫变换。霍夫线P().它返回检测到的线的坐标。
lines = cv2.HoughLinesP(edges, 1, np.pi/180, 50, minLineLength, maxLineGap)
-
在图像上绘制线条并显示输出图像。
让我们看一些例子,以便更清楚地理解。
输入图像
在下面的示例中,我们将使用此图像作为输入文件。
例
在这个例子中,我们在图像上找到具有以下线属性的概率Hough Transform -
-
最小线长 = 10
-
最大线隙 = 5
# import required libraries import cv2 import numpy as np # read the input image img = cv2.imread('sudoku.jpg') # convert the input image to grayscale image gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # find the edges using Canny edge detector edges = cv2.Canny(gray,50,200,apertureSize = 3) minLineLength = 10 maxLineGap = 5 # apply probabilistic Hough transform lines = cv2.HoughLinesP(edges,1,np.pi/180,50,minLineLength,maxLineGap) for line in lines: for x1,y1,x2,y2 in line: cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2) cv2.imshow('houghlines.jpg',img) cv2.imshow('edges', edges) cv2.waitKey(0) cv2.destroyAllWindows()
输出
当你运行上面的程序时,它将产生以下窗口 -
第一个窗口“边缘”显示使用Canny边缘检测算法检测到的边缘。第二个窗口“houghlines.jpg”使用概率Hough Line变换显示检测到的行。