OpenCV（python）一键入门--十八篇（霍夫线和霍夫圆检测）

本系列OpenCV博客旨在以最简单的方式分享OpenCV知识，欢迎大家交流和提出指导意见

凡是有本文未详细介绍的函数，都可以在以往的博客找到介绍及其使用方法

本期介绍函数：

cv.HoughLines

cv.HoughLinesP

cv.HoughCircles

1：霍夫直线检测

import cv2 as cv
import numpy as np

def canny_demo(image):
    t = 80
    canny_output = cv.Canny(image, t, t * 2)
    return canny_output

src = cv.imread("D:/sudoku.png")
cv.imshow("input", src)

binary = canny_demo(src)
cv.imshow("binary", binary)

lines = cv.HoughLines(binary, 1, np.pi / 180, 150, None, 0, 0)
if lines is not None:
    for i in range(0, len(lines)):
        rho = lines[i][0][0]
        theta = lines[i][0][1]
        a = np.cos(theta)
        b = np.sin(theta)
        x0 = a * rho
        y0 = b * rho
        pt1 = (int(x0 + 1000 * (-b)), int(y0 + 1000 * (a)))
        pt2 = (int(x0 - 1000 * (-b)), int(y0 - 1000 * (a)))
        cv.line(src, pt1, pt2, (0, 0, 255), 3, cv.LINE_AA)


cv.imshow("hough line demo", src)
cv.waitKey(0)
cv.destroyAllWindows()

图像霍夫变换是一种很有用的图像变换，通过把图像的坐标从平面坐标系变换极坐标，可以发现原来在平面坐标难以提取的几何特征信息（如：直线、圆等等）。

假设有如下的直线参数方程：
r = xcosθ + ysinθ
其中角度θ指r与X轴之间的夹角，r为到直线几何垂直距离。

如果有很多点在霍夫空间的曲线交于一点（如下图图四），便可以说明他们有相同的θ和r。

1）：cv.HoughLines 霍夫线

函数原型：lines = cv.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])

• lines：线的输出向量。每行由2或3个元素向量组成
• rho：累加器的距离分辨率（以像素为单位）
• theta：以弧度为单位的累加器的角度分辨率
• threshold：累加器阈值。图像在霍夫空间每个像素点都是一条曲线。经过每个（r，θ）都+1，如果多个曲线都在同个（r，θ）相交且大于给定的阈值，说明可能存在一条直线在霍夫空间的该点处。
• lines：输出直线
• srn、stn：多尺度霍夫变换时候小的参数，经典的霍夫变换不需要此参数
• srn：对于多尺度霍夫变换，它是距离分辨率 rho 的除数。粗略累加器距离分辨率为 rho ，精确累加器分辨率为 rho/srn 。如果 srn=0 和 stn=0 ，则使用经典的霍夫变换。否则，这两个参数都应为正。
• stn：对于多尺度 Hough 变换，它是距离分辨率 theta 的除数。
• min_theta：最小尺度，必须介于 0 和 max_theta 之间。
• max_theta：最大尺度，必须介于 min_theta 和 CV_PI 之间。

效果如下：

照常贴上原图素材：

霍夫直线检测其实还有另一个api。也就是

2）：cv.HoughLinesP 霍夫线

函数原型：lines = cv.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])

• image：输入的二值图像
• lines：返回的直线两个点
  
• rho ：极坐标r得步长
  
• theta：角度步长
  
• threshold：累加器阈值
  
• minLineLength：最小线段长度
  
• maxLineGap：线段间隔

案例如下：

import cv2 as cv
import numpy as np


def canny_demo(image):
    t = 80
    canny_output = cv.Canny(image, t, t * 2)
    return canny_output


src = cv.imread("D:/sudoku.png")
cv.imshow("input", src)

binary = canny_demo(src)
cv.imshow("binary", binary)

linesP = cv.HoughLinesP(binary, 1, np.pi / 180, 50, None, 50, 10)
if linesP is not None:
    for i in range(0, len(linesP)):
        l = linesP[i][0]
        cv.line(src, (l[0], l[1]), (l[2], l[3]), (0, 0, 255), 1, cv.LINE_AA)


cv.imshow("hough line demo", src)
cv.waitKey(0)
cv.destroyAllWindows()

效果如下：

2：霍夫圆检测

import cv2 as cv
import numpy as np

src = cv.imread("D:/coin.png")
cv.imshow("input", src)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
gray = cv.GaussianBlur(gray, (9, 9), 2, 2)

dp = 2
param1 = 100
param2 = 80

circles = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, dp, 10, None, param1, param2, 20, 100)
for c in circles[0,:]:
    cx, cy, r = c
    cv.circle(src, (cx, cy), 2, (0, 255, 0), 2, 8, 0)
    cv.circle(src, (cx, cy), r, (0, 0, 255), 2, 8, 0)

cv.imshow("hough demo", src)
cv.waitKey(0)
cv.destroyAllWindows()

函数原型：circles=cv.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]])

• image：单通道灰度图像
• cycles：检测到的圆的信息，如：圆形，半径
• method：检测方法。我们直接使用cv.HOUGH_GRADIENT霍夫梯度法即可
• dp：图像分辨率的变化。默认1的时候保持和原图一样的大小
• param1：边缘提取的高阈值
• param2：霍夫空间的累加阈值
• minRadius：最小圆半径
• maxRadius：最大圆半径。如果 <= 0，则使用最大图像尺寸。如果 < 0，则返回中心而不找到半径。

效果如下：

附上素材图像：