OpenCV竟然可以这样学！成神之路终将不远（二十八）

返回目录

目录

28 霍夫线变换

28.1 目标

28.2 理论

28.3 OpenCV中的霍夫曼变换

28.4 概率霍夫变换

28.5 附加资源

---

28 霍夫线变换

28.1 目标

在这一章当中，我们将了解霍夫变换的概念。我们将看到如何使用它来检测图像中的线条。我们将看到以下函数：

cv.HoughLines()，cv.HoughLinesP()

28.2 理论

如果可以用数学形式表示形状，则霍夫变换是一种检测任何形状的流行技术。即使形状有些破损或变形，也可以检测出形状。我们将看到它如何作用于一条线。

一条线可以表示为或以参数形式表示为，其中是从原点到该线的
垂直距离，而是由该垂直线和水平轴形成的角度以逆时针方向测量（该方向随您如何表示坐
标系而变化。此表示形式在OpenCV中使用）。查看下面的图片：

因此，如果线在原点下方通过，则它将具有正的且角度小于180。如果线在原点上方，则将角度取为小于180，而不是大于180的角度。取负值。任何垂直线将具有0度，水平线将具有90度。

现在，让我们看一下霍夫变换如何处理线条。任何一条线都可以用(ρ，θ)这两个术语表示。因此，首先创建2D数组或累加器（以保存两个参数的值），并将其初始设置为0。让行表示ρ，列表示θ。阵列的大小取决于所需的精度。假设您希望角度的精度为1度，则需要180列。对于ρ，最大距离可能是图像的对角线长度。因此，以一个像素精度为准，行数可以是图像的对角线长度。

考虑一个100x100的图像，中间有一条水平线。取直线的第一点。您知道它的(x, y) 值。现在在线性方程式中，将值θ= 0,1,2，..... 180放进去，然后检查得到ρ。对于每对(ρ，θ)，在累加器中对应的(ρ，θ)单元格将值增加1。所以现在在累加器中，单元格(50,90)= 1以及其他一些单元格。

现在，对行的第二个点。执行与上述相同的操作。递增(ρ，θ)对应的单元格中的值。这次，单元格(50,90)=2 。实际上，您正在对(ρ，θ)值进行投票。您对线路上的每个点都继续执行此过程。在每个点上，单元格(50,90)都会增加或投票，而其他单元格可能会或可能不会投票。这样一来，最后，单元格(50,90)的投票数将最高。因此，如果您在累加器中搜索最大票数，则将获得(50,90)值，该值表示该图像中的一条线与原点的距离为50，角度为90度。在下面的动画中很好地显示了该图片(图片提供：Amos Storkey)

这就是霍夫变换对线条的工作方式。它很简单，也许您可以自己使用Numpy来实现它。下图显示了累加器。某些位置的亮点表示它们是图像中可能的线条的参数。（图片由维基百科提供）

28.3 OpenCV中的霍夫曼变换

上面说明的所有内容都封装在OpenCV函数cv.HoughLines()中。它只是返回一个：

math:(ρ, θ) 值的数组。ρ以像素为单位，θ以弧度为单位。第一个参数，输入图像应该是二进制图像，因此在应用霍夫变换之前，请应用阈值或使用Canny边缘检测。第二和第三参数分别是ρ和θ精度。第四个参数是阈值，这意味着应该将其视为行的最低投票。请记住，票数取决于线上的点数。因此，它表示应检测到的最小线长。

import cv2 as cv
import numpy as np

img = cv.imread(cv.samples.findFile('sudoku.jpg'))
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 20, 60, apertureSize=3)
lines = cv.HoughLines(edges, 1, np.pi / 180, 120)
print(lines)
for line in lines:
    rho, theta = line[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)
    cv.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv.imwrite('houghlines.jpg', img)

dst = cv.imread('houghlines.jpg')
cv.imshow('Hough Lines', dst)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：

28.4 概率霍夫变换

在霍夫变换中，您可以看到，即使对于带有两个参数的行，也需要大量计算。概率霍夫变换是我们看到的霍夫变换的优化。它没有考虑所有要点。取而代之的是，它仅采用随机的点子集，足以进行线检测。只是我们必须降低阈值。参见下图，比较了霍夫空间中的霍夫变换和概率霍夫变换。（图片提供：Franck Bettinger的主页）

OpenCV的实现基于Matas,J.和Galambos,C.和Kittler, J.V.使用渐进概率霍夫变换对行进行的稳健检测[145]。使用的函数是cv.HoughLinesP()。它有两个新的论点。

• minLineLength - 最小行长。小于此长度的线段将被拒绝。
• maxLineGap - 线段之间允许将它们视为一条线的最大间隙。

最好的是，它直接返回行的两个端点。在以前的情况下，您仅获得线的参数，并且必须找到所有点。在这里，一切都是直接而简单的。代码如下：

import cv2 as cv
import numpy as np

img = cv.imread(cv.samples.findFile('sudoku.jpg'))
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 20, 60, apertureSize=3)
lines = cv.HoughLinesP(edges, 1, np.pi / 180, 120, minLineLength=100, maxLineGap=10)
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imwrite('houghlines5.jpg', img)

dst = cv.imread('houghlines5.jpg')
cv.imshow('Hough Lines Probability', dst)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：

28.5 附加资源

维基百科上的霍夫变换

---

欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。

顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。