8.霍夫变换：线条——霍夫的效果、噪声对霍夫的影响、霍夫拓展_5

目录

霍夫的效果

噪声对霍夫的影响

霍夫拓展

本环节结束

---

霍夫的效果

这里我将给你们展示一个Hough运行在真实图像上的例子来告诉你们它做得好和做得不好。

这是一张美国足球场的照片：

这是美式足球，你知道，用的球不是圆的。

我们运行一个有味道的边缘探测器，我们得到这些边缘，这些是一些有趣的边缘：

然后我们要做的是通过一个霍夫累加器阵列来运行它：

你可以看到这里的正弦曲线，有点分散：

但是你可以看到这些，这些方块都是这些发现的峰值，这是用一些代码试图寻找峰值：

你会注意到它们有很多很接近，对吧?

所以非常接近意味着：它们的角度是相同的，而且它们的位置大致相同。

相同的角度，相同的位置，是的，我的意思是，这是相同角度的线在这里，这里，这里：

即使在这里，相同的角度，相同的位置：

你会发现附近有峰值。

我给你们看这个峰值图像：

如果我画出与这些峰中的每一个相联系的线，我会看到像这样的东西。这里有好消息和坏消息。

好消息：它发现了大量的线段。

坏消息：你会注意到它也漏掉了一些：

为什么呢? 这与投票箱中发现的边的性质有关，这些都是关于如何找到边缘的细节。

你也会注意到这里有一条青色的线，这是找到的最长的线段：

现在，应该有人会说：“等一下，这线段是什么意思?”

在霍夫变换中，当你找到 m 和 b，这是一条无限长的线。这条线可以一直延伸到整个图像。

如果你想找到线段，选了这条线的点，把它们连起来或者把两个最远的点连起来。

或者做一些其他的操作沿着这条无限的线运行，看看在这附近有一个边缘点或者在这附近的任何地方。

所以你必须做一些其他的操作，除了我们刚刚展示的投票为了找到线段。

对你们来说好消息是，在你们的习题集里，我只想让你们找到无限长的直线。

你不必担心找到图像中实际支持的线段。

噪声对霍夫的影响

剩下的一些东西。

首先是噪声对霍夫变换的影响。

所以，在这里你能看到的是左边的一个图像我们取了相同的一组卡通点，我们把它们打乱了一点：

我们给它们的位置添加了一些噪声。

在右边的图像，你看到的是霍夫的投票。

你会注意到，峰值，不是很精确：

事实上，如果我们有非常非常好的箱子，我们可能会完全错过那个峰值：

所以，等下我们会讲一点关于改变箱子的大小，关于噪音，作为一种使它工作的方法。

但是，会发生的是，少量的噪音会把你撞飞。

顺便说一下，你能做的一件很酷的事，如果你想找到这里的一般峰值，你会怎么做?

你可以平滑这个图像，对吧?

你可以把它作为图像进行过滤，然后找到峰值。

现在你知道你已经移动了一些峰顶，因为你把它弄模糊了。

但现在你至少找到了峰值，你会说，我要再做一次霍夫变换，但这次我只关注那个区域：

好，所以我要建立一个新的数组，带有更精细的箱子，但只有在那里，如果d或θ在那边，我甚至不去计算那些选票，

那会让你从一个嘈杂的图像到一个更好的图像。

还有一个问题：

如果我们有很多噪音怎么办?

假设我们只有噪音。在左边，你得到的是一堆点，它们都是随机的。

在右边，每个人都有投票权。

去投票吧。结果是没有真正的候选人。

但也许我们不知道，你可以偶然发现峰值。

所以有时候你不得不担心，我发现的峰值是否真实?

如果你已经知道了，假设你知道这幅图中有六条线，那么你只找到六条最高峰，但是如果你不知道有多少个高峰，

你有一个问题，什么时候一个高峰是真正的高峰，什么时候它只是选票的意外排列？

霍夫扩展

我想谈谈霍夫变换的几个扩展。

然后这些扩展中的一些会继续，下一个环节或者下下一个环节。

到目前为止，人们使用最多的扩展是这里显示的使用梯度的扩展：

你会注意到我们的算法几乎完全一样。

我们初始化累加器数组：

我们遍历每个点，但现在不是循环或遍历所有可能的方向，

我们实际上在那个点取梯度，

我们从这个梯度取θ：

现在你可以拿一个θ，或者你甚至可以采取一系列的θ，你说，嗯，我知道它是，大约45度加上或减去10，

所以我会投票给 -35 到 55 ，但我不必担心投票给所有其他人。

我把它写在这里就好像你只有一个值。

现在你有θ，你可以直接求解方程，就像我们以前一样，我们增加累加器数组。

好的是，通过使用梯度，你大大减少了投票时间，对吧?

你不用担心，你只有一个点。另外，稍后，您可以使用它来减少维度。

这是人们最常使用的扩展。

事实上，整个方向的概念我们以后会讲到其他一些扩展。

另外一个是拓展，记住当我们做边缘检测时，我们说一些边缘比其他边缘具有更强的幅度：

你必须设定一个阀值。好吧，你可以降低阀值，试着得到更多的边。

但是你可能想要用更高的临界值来计算边缘。

那么，更多地计算它们意味着什么呢？

好吧，你可以想象更强的优势会得到更多的选票。

另一个拓展，和我之前讲的很相似，就是改变  和 d 的箱子大小。

拓展3：改变（d，）的采样，以提供更多/更少的分辨率。

正如我们之前所说的：大箱子很容易投票，它很快。

但有时你也会遇到类似的情况：

要找到一个箱子，你会遇到这样的问题，因为噪音的原因，实际的路线是支持不同的箱子，所以扩展是分层进行的。

首先，做一个粗略的装箱，你有一些更大的箱子，箱子能捕获更多的值。

一旦你在那里找到了峰值，你就可以在这些区域内找到更精细的阵列，而你，你可以提高模型的恢复能力。

最后，它不仅仅是一个扩展，而是一种全新的做事方式。

我们这样做是为了线，但你可以很容易做到这一点。

我不应该这么说。对于其他参数化的形状，比如圆，你可以很直接地做这个，事实上，我们稍微做一下，你也可以的。

或者实际上，任何其他形状，包括由它们的模板定义的形状。

本环节结束

这个环节就到这里。

毫无疑问，你们会回过头来仔细看这个问题，因为这个算法和数据集的操作将作为霍夫问题集第一部分的基础。

当你在网上查这个东西的时候，你们中的很多人会想把它和我们在这里看到的联系起来。

我要告诉你们的是，实现霍夫变换感觉比较简单。

他们后来报告说，他们花了大约10个小时来做这个习题集。这是因为拓展等等。

我们在报纸上说的话几乎都不起作用，因为我们必须让它听起来很适合发表。

在实际情况下，你可以使用理论，然后你必须对图像和AL和算法进行揣摩。

---

——学会编写自己的代码，才能练出真功夫。