相比C++而言，Python适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库，以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV的霍夫变换检测直线。

提示：

转载请详细注明原作者及出处，谢谢！

本文介绍在OpenCV-Python中使用霍夫变换检测直线的方法。

本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版)

》。

霍夫变换

Hough变换是经典的检测直线的算法。其最初用来检测图像中的直线，同时也可以将其扩展，以用来检测图像中简单的结构。

OpenCV提供了两种用于直线检测的Hough变换形式。其中基本的版本是cv2.HoughLines。其输入一幅含有点集的二值图(由非0像素表示)，其中一些点互相联系组成直线。通常这是通过如Canny算子获得的一幅边缘图像。cv2.HoughLines函数输出的是[float, float]形式的ndarray，其中每个值表示检测到的线(ρ , θ)中浮点点值的参数。下面的例子首先使用Canny算子获得图像边缘，然后使用Hough变换检测直线。其中HoughLines函数的参数3和4对应直线搜索的步长。在本例中，函数将通过步长为1的半径和步长为π/180的角来搜索所有可能的直线。最后一个参数是经过某一点曲线的数量的阈值，超过这个阈值，就表示这个交点所代表的参数对(rho,

theta)在原图像中为一条直线。具体理论可参考这篇文章。

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("/home/sunny/workspace/images/road.jpg", 0)

img = cv2.GaussianBlur(img,(3,3),0)

edges = cv2.Canny(img, 50, 150, apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,118) #这里对最后一个参数使用了经验型的值

result = img.copy()

for line in lines[0]:

rho = line[0] #第一个元素是距离rho

theta= line[1] #第二个元素是角度theta

print rho

print theta

if (theta < (np.pi/4. )) or (theta > (3.*np.pi/4.0)): #垂直直线

#该直线与第一行的交点

pt1 = (int(rho/np.cos(theta)),0)

#该直线与最后一行的焦点

pt2 = (int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0])

#绘制一条白线

cv2.line( result, pt1, pt2, (255))

else: #水平直线

# 该直线与第一列的交点

pt1 = (0,int(rho/np.sin(theta)))

#该直线与最后一列的交点

pt2 = (result.shape[1], int((rho-result.shape[1]*np.cos(theta))/np.sin(theta)))

#绘制一条直线

cv2.line(result, pt1, pt2, (255), 1)

cv2.imshow('Canny', edges )

cv2.imshow('Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

结果如下：

注意：

在C++中，HoughLines函数得到的结果是一个向量lines，其中的元素是由两个元素组成的子向量(rho, theta)，所以lines的访问方式类似二维数组。因此，可以以类似：

std::vector<:vec2f>::const_iterator it= lines.begin();

float rho= (*it)[0];

float theta= (*it)[1];

这样的方式访问rho和theta。

而在Python中，返回的是一个三维的np.ndarray！。可通过检验HoughLines返回的lines的ndim属性得到。如：

lines = cv2.HoughLines(edges,1,np.pi/180,118)

print lines.ndim

#将得到3至于为什么是三维的，这和NumPy中ndarray的属性有关(关于NumPy的相关内容，请移步至NumPy简明教程)，如果将HoughLines检测到的的结果输出，就一目了然了：#上面例子中检测到的lines的数据

3 #lines.ndim属性

(1, 5, 2) #lines.shape属性

#lines[0]

[[ 4.20000000e+01 2.14675498e+00]

[ 4.50000000e+01 2.14675498e+00]

[ 3.50000000e+01 2.16420817e+00]

[ 1.49000000e+02 1.60570288e+00]

[ 2.24000000e+02 1.74532920e-01]]

===============

#lines本身

[[[ 4.20000000e+01 2.14675498e+00]

[ 4.50000000e+01 2.14675498e+00]

[ 3.50000000e+01 2.16420817e+00]

[ 1.49000000e+02 1.60570288e+00]

[ 2.24000000e+02 1.74532920e-01]]]

概率霍夫变换

观察前面的例子得到的结果图片，其中Hough变换看起来就像在图像中查找对齐的边界像素点集合。但这样会在一些情况下导致虚假检测，如像素偶然对齐或多条直线穿过同样的对齐像素造成的多重检测。

要避免这样的问题，并检测图像中分段的直线(而不是贯穿整个图像的直线)，就诞生了Hough变化的改进版，即概率Hough变换(Probabilistic Hough)。在OpenCV中用函数cv::HoughLinesP 实现。如下：

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("/home/sunny/workspace/images/road.jpg")

img = cv2.GaussianBlur(img,(3,3),0)

edges = cv2.Canny(img, 50, 150, apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,118)

result = img.copy()

#经验参数

minLineLength = 200

maxLineGap = 15

lines = cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength,maxLineGap)

for x1,y1,x2,y2 in lines[0]:

cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)

cv2.imshow('Result', img)

cv2.waitKey(0)

cv2.destroyAllWindows()结果如下：

未完待续。。。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

如果觉得本文写的还可以的话，请轻点“顶”，您的支持是我写下去的动力之一。未完待续。。。如有错误请指正，本人会虚心接受并改正！谢谢！