wordpress网站数据库备份,凡科网注册,美术教育机构网站建设方案,全球十大搜索引擎目标
理解霍夫变换的概念学习如何在一张图片中检测直线学习函数cv2.HoughLines()和cv2.HoughLinesP()
原理 霍夫变换在检测各种形状的的技术中非常流行。如果你要检测的形状可以用数学表达式写出来#xff0c;你就可以是使用霍夫变换检测它。即使检测的形状存在一点破坏或者…目标
理解霍夫变换的概念学习如何在一张图片中检测直线学习函数cv2.HoughLines()和cv2.HoughLinesP()
原理 霍夫变换在检测各种形状的的技术中非常流行。如果你要检测的形状可以用数学表达式写出来你就可以是使用霍夫变换检测它。即使检测的形状存在一点破坏或者扭曲也可以使用。我们下面就看看如何使用霍夫变换检测直线。 一条直线可以用数学表达式y mx c 或者ρ x cos θ y sin θ 表示。ρ 是从原点到直线的垂直距离θ 是直线的垂线与横轴顺时针方向的夹(如果你使用的坐标系不同方向也可能不同,我是按OpenCV 使用的坐标系描述的。如下图所示 所以如果一条线在原点下方经过ρ 的值就应该大于0度小于180。但是如果从原点上方经过的话角度不是大于180也是小于180但ρ 的值小于0。垂直的线角度为0 度水平线的角度为90 度。 让我们来看看霍夫变换是如何工作的。每一条直线都可以用(ρ, θ) 表示。所以我们先创建一个2D 数组(累加器),初始化累加器,所有的值都为0。行表示ρ列表示θ。这个数组的大小决定了最后结果的准确性。如果你希望角度精确到1 度你就需要180 列。对于ρ最大值为图片对角线的距离。所以如果精确度要到一个像素的级别行数就应该与图像对角线的距离相等。 想象一下我们有一个大小为100x100 的直线位于图像的中央。取直线上的第一个点我们知道此处的(x,y)值。把x 和y 带入上面的方程组然后遍历θ 的取值0、1、2、3、. . .180。分别求出与其对应的ρ 的值这样我们就得到一系列ρ, θ的数值对如果这个数值对在累加器中也存在相应的位置对就在这个位置上加1。所以现在累加器中的(50,90)1。(一个点可能存在与多条直线中,所以对于直线上的每一个点可能是累加器中的多个值同时加1)。 现在取直线上的第二个点。重复上面的过程。更新累加器中的值。现在累加器中50,90的值为2。你每次做的就是更新累加器中的值。对直线上的每个点都执行上面的操作每次操作完成之后累加器中的值就加1但其他地方有时会加1, 有时不会。按照这种方式下去得到最后累加器中(50,90)的值肯定是最大的。如果你搜索累加器中的最大值,并找到其位置(50,90)就说明图像中有一条直线这条直线到原点的距离为50它的垂线与横轴的夹角为90 度。下面的动画很好的演示了这个过程。 这就是霍夫直线变换工作的方式。下图显示了一个累加器。其中最亮的两个点代表了图像中两条直线的参数 。 OpenCV中的霍夫变换 上面介绍的整个过程原理在OpenCV 中被封装成一个函数cv2.HoughLines()。该函数是OpenCV中用于检测图像中直线的函数它是基于霍夫变换的一种实现。
函数原型如下
lines cv2.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])参数说明
image输入图像通常为二值图像边缘检测后的图像。rho距离分辨率表示以像素为单位的距离精度。theta角度分辨率表示以弧度为单位的角度精度。threshold累加器阈值表示直线被检测到所需的最小投票数高于该值时才被认为是一条直线也可以把它看成能检测到的直线的最短长度以像素点为单位。lines可选参数用于存储检测到的直线的输出数组。srn可选参数表示距离rho的累加器的分割数。stn可选参数表示角度theta的累加器的分割数。min_theta可选参数表示直线角度的最小值。max_theta可选参数表示直线角度的最大值。
函数返回值
lines检测到的直线的数组每个直线由rho和theta表示。
cv2.HoughLines()函数会在输入图像中应用霍夫变换来检测直线然后返回检测到的直线的rho和theta值。这些直线可以通过在输入图像上进行绘制来可视化。
import cv2
import numpy as np# 加载图像
image cv2.imread(image.jpg)
# 灰度转换
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 边缘检测
edges cv2.Canny(gray, 50, 150, apertureSize3)# 执行霍夫直线变换
lines cv2.HoughLines(edges, 1, np.pi/180, 200)# 绘制检测到的直线
if lines is not None:for rho, theta in lines[0]: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))cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 2)# 显示结果
cv2.imshow(Hough Lines, image)
cv2.waitKey(0)
cv2.destroyAllWindows()在这个示例中首先加载图像并将其转换为灰度图像。然后使用Canny边缘检测算法检测图像的边缘。接下来使用cv2.HoughLines函数执行霍夫直线变换并设置了一些参数例如距离分辨率、角度分辨率和阈值。最后根据检测到的直线参数绘制直线并显示结果图像。
结果如下: 概率霍夫变换(Probabilistic Hough Transform) 从上面的检测过程我们可以发现:仅仅是一条直线都需要两个参数这需要大量的计算。Probabilistic_Hough_Transform 是对霍夫变换的一种优化。它不会对每一个点都进行计算而是从一幅图像中随机选取是不是也可以使用图像金字塔呢一个点集计算对于直线检测来说已经足够了。但是使用这种变换我们必须降低低阈值因为总的点数变少了阈值值肯定也要小呀。下图是对两种方法的对比。 OpenCV 中使用的Matas, J. Galambos, C. 和Kittler, J.V. 提出的Progressive Probabilistic Hough Transform。这个函数是cv2.HoughLinesP()。函数原型如下
lines cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])参数说明
image输入图像通常为二值图像边缘检测后的图像。rho距离分辨率表示以像素为单位的距离精度。theta角度分辨率表示以弧度为单位的角度精度。threshold累加器阈值表示直线被检测到所需的最小投票数。lines可选参数用于存储检测到的直线的输出数组。minLineLength可选参数表示直线的最小长度阈值比这个短的都会忽略。maxLineGap可选参数表示直线上的最大间隙小于此值得看做是直线。
函数返回值
lines检测到的直线的数组每个直线由起点和终点表示。
cv2.HoughLinesP()函数会在输入图像中应用霍夫变换来检测直线然后返回检测到的直线的起点和终点坐标这些直线可以通过在输入图像上进行绘制来可视化而在前面的例子中我们只得到了直线的参数而且你必须找到所有的直线。而在这里一切变得很直接很简单。
import cv2
import numpy as npimg cv2.imread(dave.jpg)
gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges cv2.Canny(gray,50,150,apertureSize 3)minLineLength 100
maxLineGap 10lines cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)for x1,y1,x2,y2 in lines[0]:cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
cv2.imwrite(houghlines5.jpg,img)
结果如下
