opencv：霍夫直线检测

一、标准霍夫直线检测

引用一片博客，对这个方法的理解：https://blog.csdn.net/on2way/article/details/47028969

lines=cv.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]]	)

返回值是 rho和theta
lines.shape = (x,1,2)  ,x表示有多少行，即知道有多少条直线

• Img：加载图像，要单通道的
• rho：是原点到垂直与被测直线的距离
• theta：是rho与x所形成的角度。
• threshold: 是一个阈值。累加的值要大与这个阈值才算一条直线。谁累加？符合这条直线的点加1，符合这条直线的点数要大于阈值，才算一条直线。
• srn和stn用于多尺子度Hough变换。rho的最终分辨率是rho/srn, theta的最终分辨率是theta/stn。将这些参数设置为0，就是SHT算法（标准的霍夫变换）。

 

剩下的参数不怎么用，先忽略..

import cv2
import numpy as np

img = cv2.imread("4.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150, apertureSize=3)#apertureSize是半径
cv2.imshow('edges',edges)

# HoughLines返回的是(rho和theta)平面中的局部最大值
lines = cv2.HoughLines(edges,1,np.pi/180,100)
lines1 = lines[:,0,:]#提取为为二维
print(lines.shape)

for rho,theta in lines1[:]:
    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))
    print(x1,y1)
    cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)

cv2.imshow('houghlines',img)

cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

二、渐进概率霍夫变换

函数cv2.HoughLinesP()是一种概率直线检测，我们知道，原理上讲hough变换是一个耗时耗力的算法，尤其是每一个点计算，即使经过了canny转换了有的时候点的个数依然是庞大的，这个时候我们采取一种概率挑选机制，不是所有的点都计算，而是随机的选取一些个点来计算，相当于降采样了。这样的话我们的阈值设置上也要降低一些。在参数输入输出上，输入不过多了两个参数：minLineLengh(线的最短长度，比这个短的都被忽略)和MaxLineCap（两条直线之间的最大间隔，小于此值，认为是一条直线）。输出上也变了，不再是直线参数的，这个函数输出的直接就是直线点的坐标位置，这样可以省去一系列for循环中的由参数空间到图像的实际坐标点的转换。
 

lines=cv.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]	)

import cv2
import numpy as np

img = cv2.imread('4.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize=3)
cv2.imshow("edges",edges)

lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength=10,maxLineGap=10)
print(lines.shape)

line1 = lines[:,0,:]
for x1,y1,x2,y2 in line1[::]:
    cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)

cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()