OpenCV中的图像处理7-霍夫线（圈）变换

霍夫线变换

如果可以用数学形式表示形状，则霍夫变换是一种检测任何形状的流行技术；即使形状有些破损或变形，也可以检测出形状。
一条线可以表示为$y=mx+c$或以参数形式表示为$\rho =xcos\theta +ysin\theta$，其中$\rho$是从原点到该线的垂直距离，而$\theta$是由该垂直线和水平轴形成的角度以逆时针方向测量（该方向随如何表示坐标系而变化，此表示形式在OpenCV中使用）。查看下面的图片：
因此，如果线在原点下方通过，则它将具有正的
$\rho$且角度小于180；如果线在原点上方，则将角度取为小于180，而不是大于180的角度，$\rho$取负值。任何垂直线将具有0度，水平线将具有90度。
现在，看一下霍夫变换如何处理线条。任何一条线都可以用$(\rho ,\theta )$表示，因此，首先创建2D数组或累加器（以保存两个参数的值），并将其初始设置为0。让行表示$\rho$，列表示$\theta$；阵列的大小取决于所需的精度，假设希望角度的精度为1度，则需要180列；对于$\rho$，最大距离可能是图像的对角线长度；因此，以一个像素精度为准，行数可以是图像的对角线长度。
考虑一个100x100的图像，中间有一条水平线。取直线的第一点，知道它的(x，y)值，现在在线性方程式中，将值$\theta$ = 0,1,2，… 180放进去，然后检查得到$\rho$；对于每对$(\rho ,\theta )$，在累加器中对应的$(\rho ,\theta )$单元格将值增加1；所以现在在累加器中，单元格(50,90)= 1以及其他一些单元格。
现在，对行的第二个点，执行与上述相同的操作。递增$(\rho ,\theta )$对应的单元格中的值；这次，单元格(50,90)=2；实际上，正在对$(\rho ,\theta )$值进行投票；对线路上的每个点都继续执行此过程。在每个点上，单元格(50,90)都会增加或投票，而其他单元格可能会或可能不会投票；这样一来，最后，单元格(50,90)的投票数将最高；因此，如果在累加器中搜索最大票数，则将获得(50,90)值，该值表示该图像中的一条线与原点的距离为50，角度为90度。在下面的动画中很好地显示了该图片(图片提供：Amos Storkey)

这就是霍夫变换对线条的工作方式，它很简单，也许可​​以自己使用Numpy来实现它。下图显示了累加器，某些位置的亮点表示它们是图像中可能的线条的参数。（图片由维基百科提供）

OpenCV中的霍夫曼变换

上面说明的所有内容都封装在OpenCV函数cv.HoughLines()中，它返回一个：math:(rho，theta)值的数组。$\rho$以像素为单位，$\theta$以弧度为单位；函数第一个参数，输入图像应该是二进制图像，因此在应用霍夫变换之前，请应用阈值或使用Canny边缘检测；第二和第三参数分别是$\rho 和\theta$精度；第四个参数是阈值，这意味着应该将其视为行的最低投票。请记住，票数取决于线上的点数；因此，它表示应检测到的最小线长。

概率霍夫变换

在霍夫变换中，可以看到，即使对于带有两个参数的行，也需要大量计算。概率霍夫变换是霍夫变换的优化，它没有考虑所有要点，取而代之的是，它仅采用随机的点子集，足以进行线检测；只是必须降低阈值。参见下图，比较了霍夫空间中的霍夫变换和概率霍夫变换。（图片提供：Franck Bettinger的主页）

OpenCV的实现基于Matas,J.和Galambos,C.和Kittler, J.V.使用渐进概率霍夫变换对行进行的稳健检测，使用函数cv.HoughLinesP()；它有两个新的论点：- minLineLength 最小行长，小于此长度的线段将被拒绝； - maxLineGap 线段之间允许将它们视为一条线的最大间隙。
最好的是，它直接返回行的两个端点。在以前的情况下，仅获得了线的参数，并且必须找到所有点。在概率霍夫变换，一切都是直接而简单的。
hough_trans.py

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

img = cv.imread('./OpenCV/sudoku.png')
img1 = img.copy()
img2 = img.copy()
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 霍夫曼变换
edges = cv.Canny(gray, 0, 25, apertureSize=3)
lines = cv.HoughLines(edges, 1, np.pi / 180, 200)
for line in lines:
    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(img1, (x1, y1), (x2, y2), (0, 0, 255), 2)
# 概率霍夫变换
plines = cv.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength=100, maxLineGap=10)
for pline in plines:
    x1, y1, x2, y2 = pline[0]
    cv.line(img2, (x1, y1), (x2, y2), (255, 0, 0), 2)
images = [img, img1, img2]
titles = ['Original', 'HoughTrans', 'HoughPTrans']
for i in range(3):
    plt.subplot(1, 3, i + 1)
    plt.imshow(cv.cvtColor(images[i], cv.COLOR_BGR2RGB))
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

霍夫圈变换

圆在数学上表示为$(x-x_{center}{)}^2+(y-y_{center}{)}^2=r^2$，其中$(x_{center},y_{center})$是圆的中心，r是圆的半径；从等式中，可以看到有三个参数，因此需要3D累加器进行霍夫变换，这将非常低效；因此OpenCV使用更加技巧性的方法，即使用边缘的梯度信息的Hough梯度方法，这里使用的函数是cv.HoughCircles()。
houghcircle_trans.py

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

img = cv.imread('./OpenCV/OpenCV.png')
img = cv.medianBlur(img, 5)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
circles = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, 1, 200, param1=50, param2=30, minRadius=0,maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0, :]:
    # 绘制外圆
    cv.circle(img, (i[0], i[1]), i[2], (255, 0, 0), 2)
    # 绘制圆心
    cv.circle(img, (i[0], i[1]), 2, (0, 0, 255), 3)
cv.imshow('detected circles', img)
if cv.waitKey(0) & 0xFF == 27:
    cv.destroyAllWindows

学习来源：OpenCV-Python中文文档