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
=
m
x
+
c
y = mx + c
y=mx+c或以参数形式表示为
ρ
=
x
c
o
s
θ
+
y
s
i
n
θ
\rho = xcos\theta + ysin\theta
ρ=xcosθ+ysinθ,其中
ρ
\rho
ρ是从原点到该线的垂直距离,而
θ
\theta
θ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
ρ
\rho
ρ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,
ρ
\rho
ρ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
(
ρ
,
θ
)
(\rho, \theta)
(ρ,θ)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
ρ
\rho
ρ,列表示
θ
\theta
θ;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
ρ
\rho
ρ,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
θ
\theta
θ = 0,1,2,… 180放进去,然后检查得到
ρ
\rho
ρ;对于每对
(
ρ
,
θ
)
(\rho, \theta)
(ρ,θ),在累加器中对应的
(
ρ
,
θ
)
(\rho, \theta)
(ρ,θ)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
(
ρ
,
θ
)
(\rho, \theta)
(ρ,θ)对应的单元格中的值;这次,单元格(50,90)=2;实际上,正在对
(
ρ
,
θ
)
(\rho, \theta)
(ρ,θ)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。
ρ
\rho
ρ以像素为单位,
θ
\theta
θ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
ρ
和
θ
\rho和\theta
ρ和θ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
c
e
n
t
e
r
)
2
+
(
y
−
y
c
e
n
t
e
r
)
2
=
r
2
(x - x_{center})^{2} + (y - y_{center})^{2} = r^{2}
(x−xcenter)2+(y−ycenter)2=r2,其中
(
x
c
e
n
t
e
r
,
y
c
e
n
t
e
r
)
(x_{center}, y_{center})
(xcenter,ycenter)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