缺点 霍夫圆_霍夫变换

霍夫变换是一种特征提取，被广泛应用在图像分析、电脑视觉以及数位影像处理。 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)里的局部最大值来决定。

经典的霍夫变换用于检测图像中的直线，原理是利用坐标空间变换将两个坐标进行相应的转化，或通过直线映射到另一坐标空间的点形成的峰值，从而把检测任意形状的问题转化为统计峰值的问题。经典的霍夫变换的突出优点是分割结果的鲁棒性，其缺点是要求知道物体边界线的解析方程。学习一下霍夫变换的基本原理。

以直线检测为例，每个像素坐标点经过空间变换都变成对直线特质有贡献的统一度量。对于二维图像数据f(x,y),平面坐标为(x,y)极坐标(r,θ)，如图所示:

图像中的一条直线就是图像中一系列离散像素点的集合，直线由平面坐标转换为极坐标方程为：

将笛卡尔坐标系转换到极坐霍夫变换空间，这种点到曲线的映射变换就被称为霍夫变换。

霍夫变换是基于图像二值化的变换，利用二值化图像中的点集来确定候选直线的集合。在图像的边界处可以用方程f(x,p) = 0表示任意的曲线，其中p为曲线的参数向量，那么利用霍夫变换进行line检测的算法步骤如下：

1. 在参数p的范围内量化参数空间，将霍夫空间坐标(r,θ)初始化为0

2. 在阈值化后的梯度图像中，对每个图像点(i,j)进行遍历，对于满足参数p,累计所有的f(x,p) = 0即S(p) = S(p)