基于OpenCV的霍夫直线检测和霍夫圆形检测

一：霍夫直线检测

1. 霍夫变换简介 

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）、电脑视觉(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。

2.霍夫线变换 

OpenCV中的霍夫线变换有如下三种： 

<1> 标准霍夫变换（StandardHough Transform，SHT），由HoughLines函数调用。

<2> 多尺度霍夫变换（Multi-ScaleHough Transform，MSHT），由HoughLines函数调用。

<3> 累计概率霍夫变换（ProgressiveProbabilistic Hough Transform，PPHT），由HoughLinesP函数调用。
 

cvHonghLines2() 函数：

说明：

　　此函数是opencv图像变换函数中的一个，主要用来访问霍夫变换的两个算法———标准霍夫变换（SHT）和累计概率霍夫变换（PPHT）。

函数原型：

　　 CvSeq* cvHonghLines2(
　　 CvArr* image,
　　 void* line_storage,
　　 int mehtod,
　　 double rho,
　　 double theta,
　　 int threshold,
　　 double param1 =0,
　　 double param2 =0
　　 );

参数说明：

　　image
　　输入 8-比特、单通道 (二值) 图像，当用CV_HOUGH_PROBABILISTIC方法检测的时候其内容会被函数改变。
　　line_storage
　　检测到的线段存储仓. 可以是内存存储仓 (此种情况下，一个线段序列在存储仓中被创建，并且由函数返回），或者是包含线段参数的特殊类型（见下面）的具有单行/单列的矩阵(cvMat*)。矩阵头为函数所修改，使得它的 cols/rows 将包含一组检测到的线段。如果 line_storage 是矩阵，而实际线段的数目超过矩阵尺寸，那么最大可能数目的线段被返回(线段没有按照长度、可信度或其它指标排序).
　　method
　　Hough 变换变量，是下面变量的其中之一：
　　CV_HOUGH_STANDARD - 传统或标准 Hough 变换. 每一个线段由两个浮点数 (ρ, θ) 表示，其中 ρ 是直线与原点 (0,0) 之间的距离，θ 线段与 x-轴之间的夹角。因此，矩阵类型必须是 CV_32FC2 type.
　　CV_HOUGH_PROBABILISTIC - 概率 Hough 变换(如果图像包含一些长的线性分割，则效率更高). 它返回线段分割而不是整个线段。每个分割用起点和终点来表示，所以矩阵（或创建的序列）类型是 CV_32SC4.
　　CV_HOUGH_MULTI_SCALE - 传统 Hough 变换的多尺度变种。线段的编码方式与 CV_HOUGH_STANDARD 的一致。
　　rho 
　　与象素相关单位的距离精度
　　theta 
　　弧度测量的角度精度
　　threshold
　　阈值参数。如果相应的累计值大于 threshold， 则函数返回的这个线段.
　　param1
　　第一个方法相关的参数:
　　对传统 Hough 变换，不使用(0).
　　对概率 Hough 变换，它是最小线段长度.
　　对多尺度 Hough 变换，它是距离精度 rho 的分母 (大致的距离精度是 rho 而精确的应该是 rho / param1 ).
　　param2
　　第二个方法相关参数:
　　对传统 Hough 变换，不使用 (0).
　　对概率 Hough 变换，这个参数表示在同一条直线上进行碎线段连接的最大间隔值(gap), 即当同一条直线上的两条碎线段之间的间隔小于param2时，将其合二为一。
　　对多尺度 Hough 变换，它是角度精度 theta 的分母 (大致的角度精度是 theta 而精确的角度应该是 theta / param2).

实例：

	IplImage* src;
	IplImage* dst2;
	double distance;

	src = cvLoadImage(szDealPic);
	if (src != NULL)
	{
		IplImage* dst = cvCreateImage(cvGetSize(src), 8, 1);
		IplImage* color_dst = cvCreateImage(cvGetSize(src), 8, 3);
		CvMemStorage* storage = cvCreateMemStorage(0);//存储检测到线段，当然可以是N*1的矩阵数列，如果实际的直线数量多余N，那么最大可能数目的线段被返回
		CvSeq* lines = 0;
		int i;
		IplImage* src1 = cvCreateImage(cvSize(src->width, src->height), IPL_DEPTH_8U, 1);

		cvCvtColor(src, src1, CV_BGR2GRAY); //把src转换成灰度图像保存在src1中，注意进行边缘检测一定要换成灰度图
		cvCanny(src1, dst, 50, 200, 3);//参数50，200的灰度变换

		cvCvtColor(dst, color_dst, CV_GRAY2BGR);

		//cvThreshold(dst, dst2, 100, 255, CV_THRESH_OTSU);  //全局自适应 CV_THRESH_OTSU  // 原：CV_THRESH_BINARY

		lines = cvHoughLines2(dst, storage, CV_HOUGH_PROBABILISTIC, 1, CV_PI / 180, 80, 30, 10);
		for (i = 0; i < lines->total; i++)
		{
			CvPoint* line = (CvPoint*)cvGetSeqElem(lines, i);
			cvLine(color_dst, line[0], line[1], CV_RGB(255, 255, 0), 3, 8);
			double k = (double)(line[1].y - line[0].y) / (double)(line[1].x - line[0].x);
			double d = line[0].y - line[0].x*k;
			if (i == 0)
			{
				d1 = d;
			}
			else
			{
				d2 = d;
			}
			LOG_FOR_RD("This is the %d line, this line is y = %.2f x + %.2f \n", i + 1, k, d);
		}

		distance = abs(d1 - d2);
	}

 

 

 二：霍夫圆检测

cv2中进行霍夫圆环检测的函数：

cv2.HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)

其中：

image:8位，单通道图像。如果使用彩色图像，需要先转换为灰度图像。

method：定义检测图像中圆的方法。目前唯一实现的方法是cv2.HOUGH_GRADIENT。

dp：累加器分辨率与图像分辨率的反比。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，则可能导致检测到多个相邻的圆。如果minDist太大，则可能导致很多圆检测不到。

param1：用于处理边缘检测的梯度值方法。

param2：cv2.HOUGH_GRADIENT方法的累加器阈值。阈值越小，检测到的圈子越多。

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）。
 

代码实例：

	::GetModuleFileNameA(NULL, szModuleName, 256);
	char *p = strrchr(szModuleName, '\\');
	if (p)
	{
		strncpy_s(szWorkDir, szModuleName, p - szModuleName + 1);//including the '\' character
	}

	sprintf(ImagePath, "%slena.bmp", szWorkDir);
	//about cycles 
	// _CRT_SECURE_NO_WARNINGS

	Mat midImage;
	Mat srcImage = imread(ImagePath);

	//imshow("【原始图】", srcImage);
	cvtColor(srcImage, midImage, CV_BGR2GRAY);//转化边缘检测后的图为灰度图
	GaussianBlur(midImage, midImage, Size(9, 9), 2, 2);

	vector<Vec3f> circles;
	HoughCircles(midImage, circles, CV_HOUGH_GRADIENT, 1, midImage.rows / 20, 100, 100, 0, 0);/ exe has triggered a breakpoint
	//HoughCircles(midImage, circles, CV_HOUGH_GRADIENT, 2, midImage.rows / 4, 200, 100);
	//return 0;
	for (size_t i = 0; i < circles.size(); i++)
	{
		Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
		//计算半径
		radius = cvRound(circles[i][2]);		
		//绘制圆心		
		circle(srcImage, center, 3, Scalar(0, 255, 0), -1, 8, 0);		
		//绘制圆轮廓		
		circle(srcImage, center, radius, Scalar(155, 50, 255), 3, 8, 0);

		//printf("=%d", radius);
	}

参考：https://blog.csdn.net/happy_stars_2016/article/details/52691255