图像处理之霍夫变换(Hough Transform)

霍夫变换，就是一个可以让机器自己学会找直线的算法。

1. 基本原理

一条直线可由两个点A=(X1,Y1)和B=(X2,Y2)确定(笛卡尔坐标)

公式：

也可以写成关于（k,q）的函数表达式（霍夫空间）：

对应的变换可以通过图形直观表示：

变换后的空间成为霍夫空间。即：笛卡尔坐标系中一条直线，对应霍夫空间的一个点。

反过来同样成立（霍夫空间的一条直线，对应笛卡尔坐标系的一个点）：

再来看看A、B两个点，对应霍夫空间的情形：

三个点共线的情况：

可以看出如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点：这也是必然，共线只有一种取值可能。

如果不止一条直线呢？再看看多个点的情况（有两条直线）：

其实（3，2）与（4，1）也可以组成直线，只不过它有两个点确定，而图中A、B两点是由三条直线汇成，这也是霍夫变换的后处理的基本方式：选择由尽可能多直线汇成的点。

霍夫空间：选择由三条交汇直线确定的点（中间图），对应的笛卡尔坐标系的直线（右图）：

到这里问题似乎解决了，已经完成了霍夫变换的求解，但是如果像下图这种情况呢？

k=∞是不方便表示的，而且q怎么取值呢，这样不是办法。因此考虑将笛卡尔坐标系换为：极坐标表示。

在极坐标系下，其实是一样的：极坐标的点→霍夫空间的直线，只不过霍夫空间不再是[k,q]的参数，而是[ρ,θ]的参数，给出对比图：

霍夫变换的算法步骤:

编程思路

1.  读取一幅待处理二值图像，最好背景为黑色；

2.  取得源像素数据；

3.  根据直线的霍夫变换公式完成霍夫变换，预览霍夫空间结果；

4.  寻找最大霍夫值，设置阈值，反变换到图像RGB值空间(程序难点之一)；

5.  越界处理，显示霍夫变换处理以后的图像；

Opencv-python code解释:

1.检测线

cv2.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn]]])

image是输入的图像

rho是以像素为单位的累加器的距离分辨率

theta是在弧度内的蓄能器的角度分辨率

threshold其实是阈值，当累加器超过一定的范围才看作是直线

 

cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])

其他的参数和上一个函数一样

minLineLength是线的最短长度（比这个短的都忽略了）

maxLinegap两条直线的最大间隔，小于这个间隔的看成一条直线。

下面左图为原始图像，右图为HoughLines和HoughLinesP后的图像，从图中可以看到检测到草丛中间的一条小路：

 

2.检测圈

cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]])

image是输入图象

method仅有一个cv2.HOUGH_GRADIENT

dp累加器分辨率与图像分辨率的反比。例如，如果dp=1，累加器与输入图像具有相同的分辨率。如果dp=2，则累加器的宽度和高度为原来的一半。

minDist检测圆的中心之间的最小距离。如果参数太小，可能会错误地检测到多个相邻的圆。如果太大，可能会漏掉一些圆。

param1第一个method-specific参数。在CV_HOUGH_GRADIENT的情况下，它是两个传递到Canny()边缘检测器的更高阈值(下一个是两倍小)。

param2第二个method-specific参数。在CV_HOUGH_GRADIENT的情况下，它是检测阶段圆形中心的累加器阈值。它越小，就会发现更多的假圆。圆形，对应于较大的累加器值，将首先返回。

minradius圆的最小半径

maxradius圆的最大半径

下面左图为原始图像，右图为HoughLines和HoughLinesP后的图像，从图中可以看到检测到了蒙古包：