opencv 霍夫变换检测直线和圆

霍夫变换

霍夫变换原理及python实现

opencv 霍夫直线变换

OpenCV中用cv.HoughLines()在二值图上实现霍夫变换，函数返回的是一组直线的(r,θ)数据：
函数中：
参数1：要检测的二值图（一般是阈值分割或边缘检测后的图）
参数2：距离r的精度，值越大，考虑越多的线
参数3：角度θ的精度，值越小，考虑越多的线
参数4：累加数阈值，值越小，考虑越多的线

实验：检测图像中的直线

import cv2 as cv
import numpy as np

# 1. 霍夫直线变换
img = cv.imread('shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150)

# 霍夫直线变换
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 90)

# 将检测的线画出来（注意是极坐标噢）
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(drawing, (x1, y1), (x2, y2), (0, 0, 255))

cv.imshow('hough lines', np.hstack((img, drawing)))
cv.waitKey(0)

实验结果

统计概率霍夫直线变换

前面的方法又称为标准霍夫变换，它会计算图像中的每一个点，计算量比较大，另外它得到的是整一条线（r和θ），并不知道原图中直线的端点。所以提出了统计概率霍夫直线变换(Probabilistic Hough Transform)，是一种改进的霍夫变换：

drawing = np.zeros(img.shape[:], dtype=np.uint8)
# 统计概率霍夫线变换
lines = cv.HoughLinesP(edges, 0.8, np.pi / 180, 90,
                        minLineLength=50,   maxLineGap=10)

前面几个参数跟之前的一样，有两个可选参数：
minLineLength：最短长度阈值，比这个长度短的线会被排除
maxLineGap：同一直线两点之间的最大距离

实验：统计概率霍夫直线变换检测图像中的直线

import cv2 as cv
import numpy as np

# 1. 霍夫直线变换
img = cv.imread('shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150)

# 霍夫直线变换
lines = cv.HoughLinesP(edges, 0.8, np.pi / 180, 90, minLineLength=50, maxLineGap=10)

# 将检测的线画出来
for line in lines:
	x1, y1, x2, y2 = line[0]
	cv.line(drawing, (x1, y1), (x2, y2), (255, 0, 0), 1, lineType=cv.LINE_AA)

cv.imshow('probabilistic hough lines', np.hstack((img, drawing)))
cv.waitKey(0)

实验结果

霍夫圆变换

霍夫圆变换跟直线变换类似，只不过线是用(r,θ)表示，圆是用(x_center,y_center,r)来表示，从二维变成了三维，数据量变大了很多；所以一般使用霍夫梯度法减少计算量。

drawing = np.zeros(img.shape[:], dtype=np.uint8)
# 霍夫圆变换
circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 20, param2=30)
circles = np.int0(np.around(circles))

参数2：变换方法，一般使用霍夫梯度法，详情：HoughModes
参数3：dp=1：表示霍夫梯度法中累加器图像的分辨率与原图一致
参数4：两个不同圆圆心的最短距离
参数5：param2跟霍夫直线变换中的累加数阈值一样

实验：霍夫圆变换检测图像中的圆

import cv2 as cv
import numpy as np

img = cv.imread('shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150)

# 霍夫圆变换
circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 20, param2=30)
circles = np.int0(np.around(circles))

# 将检测的圆画出来
for i in circles[0, :]:
    cv.circle(drawing, (i[0], i[1]), i[2], (0, 255, 0), 2)  # 画出外圆
    cv.circle(drawing, (i[0], i[1]), 2, (0, 0, 255), 3)  # 画出圆心

cv.imshow('circles', np.hstack((img, drawing)))
cv.waitKey(0)

实验结果