PythonCV学习记录9——霍夫变换

目录

零之前言

 一.霍夫变换原理简述

二.霍夫直线检测

1.基础检测

2.优化检测

三.霍夫圆环检测

---

零之前言

百度百科解释道：

霍夫变换是一种特征检测(feature extraction)，被广泛应用在图像分析（image analysis）、计算机视觉(computer vision)以及数位影像处理(digital image processing)。霍夫变换是用来辨别找出物件中的特征，例如：线条。他的算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间(parameter space)中执行投票来决定物体的形状，而这是由累加空间(accumulator space)里的局部最大值(local maximum)来决定。

 一.霍夫变换原理简述

个人来说，没怎么看懂怎么看懂它的变换法则，改天有机会看看源代码。目前的理解如下表示（用直线做例子吧，对于其他函数的原理也就是增加几个参数变量就可以决定的，核心思想看直线就行）：

对于任意一条直线，我们可以表示为：。当我们知道,如果x,y一定时，只要k，q确定一个，那么就可以确定k和q了。也就是说知三推一。但是，如果我们不知道直线的形状，也就是，k，q都不知道的情况下，我们不能确定直线，也就是说，kq两个我们都不知道，但是如果我们在一个范围内取k，那么就会得到一个范围的q，那么k,q就能组成一个函数。这个函数代表着过该点的在取值范围内的所有直线，比如我们假设,,那么可能是这样的一个图：记此时的(k,h)为集合A

然后，我们在（1,1）点继续这样做：

在(1.1)点一个一个试出来的(k,h)出来的集合为B

然后,说明他们中有一对共同的参数k=1，h=0。说明有一根直线都是经过了（0,0）和（1,1）的。那两点能确定一条直线，说明，这条直线就是。

但是，如果我们要挨个试值就很沙雕，因为。那么我们能不能给k,h一个范围呢？

答案是有的，极坐标系。对于直线，我们可以写成这样。别问我为啥和高中教材上的基本形式不一样，你自己画一画转换一下就知道了。直线的最大长度，肯定是我们图片的对角线， 。那么这个值就非常固定了。

对于直线的数量我们可以由的分度值决定。比如每次增长0.1π和1π，两者差距一下子就出来了。分度值越精确，直线的数量也就确多，也更精确，但是代码执行的时间会更长。这个由实际决定了呗。

然后对于一幅图画，我们只要把每一个像素点都用这种方法跑一次，然后把满足的数组[ρ,θ]的值+1，这样，我们就能得到很多直线了！然后给一个阈值，要是数组[ρ,θ]大于这个阈值，那么我们就可以视为这个直线存在。

这有个大牛的文章：http://www.renrendoc.com/p-11640782.html

原理就是这样，也就是说，只要能给出参数方程，就能用该方法找到东西。

二.霍夫直线检测

1.基础检测

首先，我们必须给图像边缘检测，用canny边缘过滤下，然后就是调用

lines = cv2.HoughLines(edges,1,np.pi/360,250)

第一个参数是边缘线的图。

第二个是长度的分度值，也就是1像素，可以往上改大。

第三个参数是角度的分度值，可以用π来除以一个数决定。

第四个参数是累加器值，只有超过这个阈值的，我们才视为一根直线。

然后再用数学算法把给转换成坐标和直线，就可以画出来了！这里放完整代码

import cv2
import numpy as np

img = cv2.imread('line.jpg',1)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,20,150,apertureSize = 3)

lines = cv2.HoughLinesP(edges,1,np.pi/180,1)
for rho,theta in lines[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))
    cv2.line(img,(x1,y1),(x2,y2),(0,0,255),1)
cv2.imshow('1',img)
cv2.waitKey(0)

2.优化检测

官方解释：

从上边的过程我们可以发现：仅仅是一条直线都需要两个参数，这需要大量的计算。Probabilistic_Hough_Transform 是对霍夫变换的一种优化。它不会对每一个点都进行计算，而是从一幅图像中随机选取（是不是也可以使用图像金字塔呢？）一个点集进行计算，对于直线检测来说这已经足够了。但是使用这种变换我们必须要降低阈值（总的点数都少了，阈值肯定也要小呀！）。

lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)

它有额外的两个参数：

　　• minLineLength - 线的最短长度。比这个短的线都会被忽略。
　　• MaxLineGap - 两条线段之间的最大间隔，如果小于此值，这两条直线就被看成是一条直线。

更加给力的是，这个函数的返回值就是直线的起点和终点。

所以代码可以简化成这样：

import cv2
import numpy as np

img = cv2.imread('line.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)
minLineLength = 100
maxLineGap = 10
lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[0]:
    cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
cv2.imshow('1',img)
cv2.waitKey(0)

三.霍夫圆环检测

原理可以同直线，只不过圆形的数学表达式为 (x − x center ) 2 +(y − y center ) 2 = r 2 ，其中（x center ,y center ）为圆心的坐标，r 为圆的直径。从这个等式中我们可以看出：一个圆环需要 3个参数来确定。所以进行圆环霍夫变换的累加器必须是 3 维的，这样的话效率就会很低。所以 OpenCV 用来一个比较巧妙的办法，霍夫梯度法，它可以使用边界的梯度信息。所以直接看下图：

这是官方代码

import cv2
import numpy as np
img = cv2.imread('circle.jpg',0)
img = cv2.medianBlur(img,5)
cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,200,param1=50,param2=30,minRadius=0,maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0,:]:
    # draw the outer circle
    cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)
    # draw the center of the circle
    cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)
cv2.imshow('detected circles',cimg)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

如果我们加一个边缘检测后就这个样子：

我也不知道这个圆的差距为什么这样大...

更改下

circles = cv2.HoughCircles(edges,cv2.HOUGH_GRADIENT,1,150,param1=40,param2=25,minRadius=0,maxRadius=0)

param1和param2的值修改后，拟合得非常好。

---

差不多至此，霍夫变换的东西就差不多了。