Python OpenCV 霍夫（Hough Transform）直线变换检测应用
Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 34 篇。
基础知识铺垫
上篇博客 咱们一起学习了霍夫直线检测的原理，本篇就从应用层对其进行学习啦。
学习了原理之后，在查看函数原型，发现确实简单了许多。
霍夫直线变换函数原型
在 OpenCV 中提供了两个霍夫直线检测的函数，一个是标准霍夫变换，另一个是概率霍夫变换。
先学习一下标准霍夫变换吧，该变化方式也叫做多尺度霍夫变换。
该方法使用的函数是 cv2.HoughLines，函数原型如下
lines = cv2.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])
- 1
参数说明：
image：输入 8 位灰度图像；rho：生成极坐标时像素扫描步长；theta：生成极坐标时候的角度步长；threshold：阈值；lines：返回值，极坐标表示的直线；sen：是否应用多尺度的霍夫变换，如果不是设置 0 表示经典霍夫变换；stn：是否应用多尺度的霍夫变换，如果不是设置 0 表示经典霍夫变换；min_theta：角度扫描范围最小值；max_theta：角度扫描范围最大值。
该函数的返回值就是上篇博客提及的 （ θ,ρ ），其中 ρ 的单位是像素， θ 的单位是弧度。
既然是直线检测，那我们先把图像的边缘检测出来，通过之前学习的知识即可，加入滑动条，方便调参。
import cv2 as cv
import numpy as np
src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
def nothing(): pass
cv.namedWindow("bar")
cv.createTrackbar("threshold1", "bar", 0, 255, nothing)
cv.createTrackbar("threshold2", "bar", 0, 255, nothing)
dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
cv.imshow("gaussian", gaussian)
while True: threshold1 = cv.getTrackbarPos("threshold1", "bar") threshold2 = cv.getTrackbarPos("threshold2", "bar") # 边缘检测 edges = cv.Canny(gaussian, threshold1, threshold2) cv.imshow("edges", edges) if cv.waitKey(1) & 0xFF == 27: break
cv.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
运行代码之后，获取到的边缘如下，下面就可以对直线进行获取了，通过cv2.HoughLines函数。
修改代码如下：
import cv2 as cv
import numpy as np
src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
# cv.imshow("gaussian", gaussian)
# 边缘检测
edges = cv.Canny(gaussian, 70, 150)
cv.imshow("edges", edges)
# Hough 直线检测
# 重点注意第四个参数 阈值，只有累加后的值高于阈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）
# 在霍夫空间理解为：至少有多少条正弦曲线交于一点才被认为是直线
lines = cv.HoughLines(edges, 1.0, np.pi/180, 150)
# 将检测到的直线通过极坐标的方式画出来
print(lines.ndim)
print(lines.shape)
for line in lines: # line[0]存储的是点到直线的极径和极角，其中极角是弧度表示的，theta是弧度 rho, theta = line[0] # 下述代码为获取 (x0,y0) 具体值 a = np.cos(theta) b = np.sin(theta) x0 = a*rho y0 = b*rho # 下图 1000 的目的是为了将线段延长 # 以 (x0,y0) 为基础，进行延长 x1 = int(x0+1000*(-b)) y1 = int(y0+1000*a) x2 = int(x0-1000*(-b)) y2 = int(y0-1000*a) cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imshow("src", src)
cv.waitKey()
cv.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
上述代码中，相关说明如下：
- 第二个参数为半径的步长，第三个参数为每次偏转的角度，即我们提及的
ρ和θ； rho参数为极径r， 以像素值为单位， 本案例使用 1 像素；theta参数极角θ以弧度为单位，本案例使用 1 度 (即np.pi/180)；threshold参数随便给的。
还有计算具体坐标用到的公式其实是这样的：(p,q) = (rcosθ,rsinθ)
运行效果基本满意，达到预期。
概率霍夫变换（Probabilistic Hough Transform）
概率霍夫变换是一种概率直线检测，它是针对于上文标准霍夫检测的优化，核心点是采取概率挑选机制，选取一些点出来进行计算，相当于降采样。
函数名称与原型如下：
lines = cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])
- 1
参数说明：
src：输入8-bit的灰度图像；rho：像素为单位的距离精度，double 类型的，推荐用 1.0；theta：以弧度为单位的角度精度，推荐用 numpy.pi/180；threshold：阈值；lines：输出的极坐标来表示直线；minLineLength：最短长度阈值，比这个长度短的线会被排除；maxLineGap：最大间隔，如果小于此值，这两条直线就被看成是一条直线。
该函数还有一个优点，返回值是一条条线段，不用我们在进行转换了
修改上文代码如下，参数赋值部分直接写的，你可以自由修改，也可以通过滑动条调参：
import cv2 as cv
import numpy as np
src = cv.imread("./331.jpg")
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
dst = cv.equalizeHist(gray_img)
# 高斯滤波降噪
gaussian = cv.GaussianBlur(dst, (9, 9), 0)
# cv.imshow("gaussian", gaussian)
# 边缘检测
edges = cv.Canny(gaussian, 70, 150)
cv.imshow("edges", edges)
lines = cv.HoughLinesP(edges, 1.0, np.pi/180, 100, minLineLength=100, maxLineGap=6)
print(type(lines))
for line in lines: x1, y1, x2, y2 = line[0] cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imshow("src", src)
cv.waitKey()
cv.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
运行代码之后，可以获取到相应的线段。
橡皮擦的小节
OpenCV 的文章阶段性的难度开始爬升了，有些地方概念还是有点模糊，需要学习的地方太多了，一起加油吧
希望今天的 1 个小时（今天内容有点多，不一定可以看完），你有所收获，我们下篇博客见~
相关阅读
技术专栏
今天是持续写作的第 74 / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。
文章来源: dream.blog.csdn.net，作者：梦想橡皮擦，版权归原作者所有，如需转载，请联系作者。
原文链接：dream.blog.csdn.net/article/details/113670582
- 点赞
- 收藏
- 关注作者
评论（0）