雾看OpenCV(15)——Hough变换

前言

目标
• 理解霍夫变换的概念
• 学习如何在一张图片中检测直线
• 学习函数：cv2.HoughLines()，cv2.HoughLinesP()

正文

OpenCV 的Hough变换

效果图

流程图

code

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../../images/sudoku.jpg")
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
canny = cv.Canny(gray,30,70,apertureSize=3)

houghLines = cv.HoughLines(canny,1,np.pi/180,200)
for line in houghLines:
    rho,theta = line[0]
    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))
    cv.line(gray,(x1,y1),(x2,y2),(0,255,0),2)

cv.imshow("houghlines3.jpg", gray)
cv.imshow("src",src)
cv.waitKey(0)

OpenCV的HoughLinesP

效果图

code

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

src = cv.imread("../../images/sudoku.jpg")
cv.imshow("src",src)
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
canny = cv.Canny(gray,50,150,apertureSize=3)

minLineLength = 100##这是最小的线的长度
maxLineGap = 10 #这是最小的线与线之间的距离，当线与线之间的距离大于100的话，那么认为是同一条线
lines = cv.HoughLinesP(canny,1,np.pi/180,100,minLineLength,maxLineGap)

for line in lines:
    x1, y1, x2, y2 = line[0]
    cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)

cv.imshow('houghLinesP',src)
cv.waitKey(0)

HoughCircle圆变换

效果图

code

import cv2 as cv
import numpy as np

src = cv.imread("../../images/OpenCV_Logo_with_text.png")
cv.imshow("src",src)
src = cv.medianBlur(src,5)
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)

circles = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0,:]:
    cv.circle(gray,(i[0],i[1]),i[2],(0,255,0),2)
    cv.circle(gray,(i[0],i[1]),2,(0,0,255),3)

cv.imshow("gray",gray)
cv.waitKey(0)
cv.destroyAllWindows()

函数

cv.HoughLines()

1. 二值化图像，或是进行Canny算法图像处理的图像。
2. 第二，第三代表的
   
3. 第4个参数是阈值，只有高于这个阈值才被认为是直线。

cv.Canny()

void cvCanny( const CvArr* image, CvArr* edges, double threshold1,
              double threshold2, int aperture_size=3 );

image
单通道输入图像.
edges
单通道存储边缘的输出图像
threshold1
第一个阈值
threshold2
第二个阈值
aperture_size
Sobel 算子内核大小 (见 cvSobel).

注释：threshold1和threshold2 当中的小阈值用来控制边缘连接，大的阈值用来控制强边缘的初始分割。

高阈值比较严格，求的边缘很少，认为高阈值的边缘都是有效。低阈值宽松，求的边缘很多（一般包括了高阈值求到的边缘），其中不少是无效的边缘（反正不想要的）。
先用高阈值求边缘。canny求得的边缘希望是连在一起的（通常是封闭的），但高阈值求的边缘一般断断续续。断开的地方如果低阈值求的边缘存在，就用低阈值的边缘接上去，目的让边缘尽量都连在一起。其它情况下低阈值的边缘是不用的。

第一步：灰度化
第二步：高斯滤波
第三步：计算梯度值和方向
第四步：非极大值抑制
第五步：双阈值的选取
第六步：边缘检测

cv.HoughCircles()

CvSeq* cvHoughCircles( CvArr* image, void* circle_storage, int method, double dp, double min_dist, double param1=100, double param2=100, int min_radius=0, int max_radius=0 );

参数：
image： 8位，单通道图像。如果使用彩色图像，请先转换为灰度。
method：定义检测图像中的圆的方法。目前，唯一实现的方法是cv2.HOUGH_GRADIENT对应于Yuen等。纸。
dp：该参数是累加器分辨率与图像分辨率的反比（详见Yuen等人）。实质上，dp获取越大，累加器数组越小。
minDist：检测到的圆的中心（x，y）坐标之间的最小距离。如果minDist太小，则可能（错误地）检测到与原始相邻的多个圆。如果minDist太大，那么一些圈子根本就不会被检测到。
param1： Yuen等人用于处理边缘检测的梯度值 方法。
param2：该cv2.HOUGH_GRADIENT方法的累加器阈值。阈值越小，检测到的圈子越多（包括虚假圈子）。阈值越大，可能会返回的圈数越多。
minRadius：半径的最小大小（以像素为单位）。
maxRadius：半径的最大大小（以像素为单位）。
“”"

参考

1. OpenCV-Python-Tutorial-中文版20160814.pdf