OpenCV中的霍夫线变换、概率霍夫线变换

1. 效果图
2. 原理
- 2.1 什么是霍夫变换？
- 2.2 什么是概率霍夫变换？
3. 源码
- 3.1 霍夫变换
- 3.2 概率霍夫变换
参考

这篇博客将介绍Python，OpenCV中的霍夫变换。包括什么是霍夫变换（Hough Transform）、概率霍夫变换（Probablistic Hough Transform），以及如何使用cv2.HoughLines()，cv2.HoughLinesP()来检测图像中的线条。

1. 效果图

原始图 VS霍夫变换效果图如下：

图中检测了所有线，包括角度为0°~180°（红色线，经过原点下方的点）和角度为-180°~0°的（绿色线，经过原点上方的点）。
原图 VS 概率霍夫变换效果图如下：
概率霍夫变换效果可以设置线之间的间隙大小，检测出来小的短的线；

2. 原理

任意一条线可以用 y=mx+c 进行表示，也可用（ ρ，θ）表示， ρ=xcosθ+ysinθ。ρ以像素为单位，θ以弧度为单位。

如果直线从原点下方经过，它的ρ为正，角度为（0，180）；如果直线从原点上方经过，ρ为负，角度为（-180，0）。任何垂直线都是0度，水平线是90度。

2.1 什么是霍夫变换？

霍夫变换是一种流行的检测任何形状的技术，即使它是有些微损坏或轻微扭曲的，它也可以成功检测。

lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)

edges：输入图像（二值图像，因此在应用hough变换查找之前，先应用阈值或canny边缘检测）
1: ρ精度，ρ以像素为单位，θ以弧度为单位。
np.pi/180：θ精度
200：阈值，假设检测线，表示被检测到的线的最短长度，低于200像素长度的将被丢弃；
lines: 返回值（ρ,θ），ρ以像素为单位，θ以弧度为单位。

2.2 什么是概率霍夫变换？

概率霍夫变换（Probablistic Hough Transform）是霍夫变换（Hough Transform）的优化。

霍夫变换拿线的所有点参与计算，而概率霍夫变换只考虑点的一个随机子集，这对于线检测是足够的。
霍夫变换返回值是（ ρ，θ），而概率霍夫变换直接返回线的端点更便于操作；

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

edages、1、np.pi/180 跟霍夫变换一致，分别为输入二值图像、ρ精度、θ精度
minLineLength：最小线条长度。小于此长度的线将被丢弃；
maxLineGap：直线段之间允许的最大间距，将其视为单线。
lines：它直接返回线的俩个端点。

3. 源码

3.1 霍夫变换

# 霍夫变换(可检测任意形状）# lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
# - edges：输入图像（二值图像，因此在应用hough变换查找之前，先应用阈值或canny边缘检测）
# - 1: ρ精度，ρ以像素为单位，θ以弧度为单位。
# - np.pi/100： 角度，θ精度
# - 200：阈值，假设检测线，表示被检测到的线的最短长度
# - lines: 返回值（ρ,θ），ρ以像素为单位，θ以弧度为单位。
#
# 概率霍夫变换（Probablistic Hough Transform）是霍夫变换（Hough Transform）的优化。
# 霍夫变换拿线的所有点参与计算，而概率霍夫变换不考虑所有的点，而是只考虑点的一个随机子集，这对于线检测是足够的。
# lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)
# - edages、1、np.pi/180 跟霍夫变换一致，分别为输入二值图像、ρ精度、θ精度
# - minLineLength：最小线条长度。小于此长度的线段将被丢弃；
# - maxLineGap：直线段之间允许的最大间距，将其视为单线。
# - lines：它直接返回两条线的端点。import cv2
import imutils
import numpy as npimg = cv2.imread('hf1.jpg')
cv2.imshow("origin", imutils.resize(img, width=400))
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)print(np.pi / 180, np.pi / 360)
lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)for i, line in enumerate(lines):for rho, theta in line:# print(rho, theta * 180 - 180)a = np.cos(theta)b = np.sin(theta)x0 = a * rhoy0 = b * rhox1 = int(x0 + 1000 * (-b))y1 = int(y0 + 1000 * (a))x2 = int(x0 - 1000 * (-b))y2 = int(y0 - 1000 * (a))# 弧度转角度degree = theta * 180 - 180if (degree > 180):degree = degree - 360print(rho, degree)if rho > 0 and degree > 0:  # 经过原点下方的点，角度为正（0，180）cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)else:  # 经过原点上方的点，角度为负（-180，0）cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)cv2.imwrite('houghlines_hf.jpg', img)
cv2.imshow("hf_res", imutils.resize(img, width=400))
cv2.waitKey(0)

3.2 概率霍夫变换

# 概率霍夫变换# 霍夫变换(可检测任意形状）
# lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
# - edges：输入图像（二值图像，因此在应用hough变换查找之前，先应用阈值或canny边缘检测）
# - 1: ρ精度
# - np.pi/100：θ精度
# - 200：阈值，假设检测线，表示被检测到的线的最短长度
# - lines: 返回值（ρ,θ），ρ以像素为单位，θ以弧度为单位。# 概率霍夫变换（Probablistic Hough Transform）是霍夫变换（Hough Transform）的优化。
# 霍夫变换拿线的所有点参与计算，而概率霍夫变换不考虑所有的点，而是只考虑点的一个随机子集，这对于线检测是足够的。
# lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)
# - edages、1、np.pi/180 跟霍夫变换一致，分别为输入二值图像、ρ精度、θ精度
# - minLineLength：最小线条长度。小于此长度的线段将被丢弃；
# - maxLineGap：直线段之间允许的最大间距，将其视为单线。
# - lines：它直接返回两条线的端点。# 概率霍夫变换（Probablistic Hough Transform）是霍夫变换（Hough Transform）的优化。
# 霍夫变换拿线的所有点参与计算，而概率霍夫变换不考虑所有的点，而是只考虑点的一个随机子集，这对于线检测是足够的。import cv2
import imutils
import numpy as npimg = cv2.imread('hf1.jpg')
cv2.imshow("origin", imutils.resize(img, width=400))
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, 10, minLineLength, maxLineGap)# 只绘制第一条线
# for x1, y1, x2, y2 in lines[0]:
#     cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)print(len(lines))
# 绘制所有检测结果
for i, line in enumerate(lines):for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.imwrite('houghlines_hfp.jpg', img)
cv2.imshow("hfp_res", imutils.resize(img, width=400))
cv2.waitKey(0)

参考

https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_houghlines/py_houghlines.html#py-hough-lines