[OpenCV实战]33 使用OpenCV进行Hough变换
目录
1 什么是霍夫变换
霍夫变换是用于检测图像中的简单形状(诸如圆形,线条等)的特征提取方法。“简单”形状是可以仅由几个参数表示的形状。例如,一条线可以用两个参数(斜率,截距)表示,一个圆有三个参数:中心坐标和半径(x,y,r)。霍夫变换在图像中找到这样的形状方面做得很好。使用Hough变换的主要优点是它对遮挡不敏感。让我们通过一个例子来看看霍夫变换是如何工作的。
1.1 应用霍夫变换以检测图像中的线条
极坐标中的线条方程如下:
这里表示线与原点的垂直距离(以像素为单位),
是以弧度为单位测量的角度,如下图所示。
您可能会想问我们为什么不使用下面给出的熟悉的等式:
原因是斜率m可以取-到+
之间的值。对于Hough变换,参数需要有界限。您可能还有一个后续问题。在
形式上,
是有界的,但是
能取0到+
之间的值吗?这在理论上可能是正确的,但在实践中,
也是有限的,因为图像本身是有限的。
1.2 累加器
当我们说二维空间中的一条线用参数化和
表达时,意味着如果我们选择一个
,它就对应一条线。想象一个二维数组, 想象一个二维数组,其中x轴具有所有可能的
值,y轴具有所有可能的
值。该2D阵列中的任何点坐标对应于一条线。
这个2D数组称为累加器,因为我们将使用此数组的bin来收集有关图像中存在哪些线条的信息。左上角的单元格对应于(-R,0),右下角对应于(R,)。稍后我们将看到bin(
,
)内的值随着参数
和
而改变。
1.3 线条检测
执行以下步骤以检测图像中的线。
(1) 首先,我们需要创建一个累加器数组。您选择的单元格数量是一个设计决策。假设您选择了10×10累加器。这意味着和
获取10个不同的值。因此您将能够检测100种完全不同的线条。累加器的大小也取决于图像的分辨率。但如果你刚刚开始,不要担心完全正确。选择一个20×20的数字,看看你得到了什么结果。
(2) 检测边缘
现在我们已经设置了累加器,我们希望收集累加器的每个单元的信息,因为累加器的每个单元对应于一行。我们如何通过获取单元的信息,如果图像中有一条可见的线,边缘检测器应该在这条线的边界检测到边缘像素点。这些边缘像素为线条的存在提供了证据。边缘检测的输出是边缘像素的阵列
(3) 边缘像素投票
对于上述数组中的每个边缘像素(x,y),我们改变从0到
的值,并根据线条极坐标公式计算
。我们改变三个像素点的
(由三条彩色曲线表示),并获得对应
的值。如下图所示。下图中三条线代表三个像素点不同
和
的取值,其中横坐标为
值,纵坐标为
值(r值)。如果三个点在一条直线上,那么三个点的
和
曲线就会相交于一点。
通常,我们有数百个边缘像素,越多的曲线交于一点就意味着这个交点表示的直线由更多的点组成,通过累加器统计交于一点的曲线数,并设定阈值来决定是否检测到一条直线。
更多霍夫曼变换说明见:
https://blog.csdn.net/u013263891/article/details/82867251
在OpenCV中,使用Hough变换的线检测在函数HoughLines和HoughLinesP中实现。此函数采用以下参数:
- edge:边缘检测器的输出(灰度图)。
- lines:用于存储行开头和结尾坐标的向量。
- rho:图像单位分辨率参数,
以像素为单位。我们选择2像素点
- theta:
以弧度表示的参数单位分辨率。我们选择2度
- 阈值:检测线的最小交叉点数。
下面我们展示了使用霍夫变换进行线检测的结果。请记住,检测到的线条的质量在很大程度上取决于边缘图的质量。因此,在现实世界中,当您可以控制环境并因此获得一致的边缘图时,或者当您可以为您正在寻找的特定类型的边缘训练边缘检测器时,使用Hough变换。
1.4 圆环的检测
在线Hough变换的情况下,我们需要两个参数,(,
)但是为了检测圆,我们需要三个参数
圆心的坐标。
- 半径。
可以想象,圆形探测器需要一个3D累加器,每个参数一个。
圆的方程由下式给出:
按照以下步骤检测图像中的圆圈:
1.借助边缘检测器(Canny)找到给定图像中的边缘。
2.为了检测图像中的圆,我们设置半径的最大值和最小值的阈值。
3.信息收集在3D累加器阵列中,以确定是否存在具有不同中心和半径的圆。
在OpenCV中使用HoughCircles函数来检测图像中的圆圈。它需要以下参数:
image:输入图像。
methods:检测方法。
dp:累加器分辨率和图像分辨率的反比。
mindst:检测到圆圈的中心之间的最小距离。
param_1和param_2:这些是特定于方法的参数。
min_Radius:要检测的圆的最小半径(以像素为单位)。
max_Radius:要检测的最大半径(以像素为单位)。
使用Hough变换的圆检测结果如下所示。结果的质量在很大程度上取决于您可以找到的边缘质量,以及您对要检测的圆的大小有多少先验知识。
2 代码
所有代码见:
https://github.com/luohenyueji/OpenCV-Practical-Exercise
线条检测:
C++:
#include "pch.h"
#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <iostream>
using namespace cv;
using namespace std;
// variables to store images
Mat dst, cimg, gray, img, edges;
int initThresh;
const int maxThresh = 1000;
double th1, th2;
// create a vector to store points of line
vector<Vec4i> lines;
void onTrackbarChange(int, void*)
{
//复制目标图像
cimg = img.clone();
//结果图像
dst = img.clone();
th1 = initThresh;
th2 = th1 * 0.4;
//canny边缘检测
Canny(img, edges, th1, th2);
// apply hough line transform 霍夫曼变换
HoughLinesP(edges, lines, 2, CV_PI / 180, 50, 10, 100);
// draw lines on the detected points 画线
for (size_t i = 0; i < lines.size(); i++)
{
//提取线条坐标点
Vec4i l = lines[i];
line(dst, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0, 0, 255), 1, LINE_AA);
}
// show the resultant image
imshow("Result Image", dst);
imshow("Edges", edges);
}
int main()
{
// Read image (color mode) 读图
img = imread("./image/lanes.jpg", 1);
dst = img.clone();
if (img.empty())
{
cout << "Error in reading image" << endl;
return -1;
}
// Convert to gray-scale 转换为灰度图像
cvtColor(img, gray, COLOR_BGR2GRAY);
// Detect edges using Canny Edge Detector
// Canny(gray, dst, 50, 200, 3);
// Make a copy of original image
// cimg = img.clone();
// Will hold the results of the detection
namedWindow("Edges", 1);
namedWindow("Result Image", 1);
// Declare thresh to vary the max_radius of circles to be detected in hough transform
// 霍夫曼变换阈值
initThresh = 500;
// Create trackbar to change threshold values
//滑动条
createTrackbar("threshold", "Result Image", &initThresh, maxThresh, onTrackbarChange);
onTrackbarChange(initThresh, 0);
while (true)
{
int key;
key = waitKey(1);
if ((char)key == 27)
{
break;
}
}
destroyAllWindows();
return 0;
}
Python:
import cv2
import numpy as np
def onTrackbarChange(max_slider):
global img
global dst
global gray
dst = np.copy(img)
th1 = max_slider
th2 = th1 * 0.4
edges = cv2.Canny(img, th1, th2)
# Apply probabilistic hough line transform
lines = cv2.HoughLinesP(edges, 2, np.pi/180.0, 50, minLineLength=10, maxLineGap=100)
# Draw lines on the detected points
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(dst, (x1, y1), (x2, y2), (0,0,255), 1)
cv2.imshow("Result Image", dst)
cv2.imshow("Edges",edges)
if __name__ == "__main__":
# Read image
img = cv2.imread('./image/lanes.jpg')
# Create a copy for later usage
dst = np.copy(img)
# Convert image to gray
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Create display windows
cv2.namedWindow("Edges")
cv2.namedWindow("Result Image")
# Initialize threshold value
initThresh = 500
# Maximum threshold value
maxThresh = 1000
cv2.createTrackbar("threshold", "Result Image", initThresh, maxThresh, onTrackbarChange)
onTrackbarChange(initThresh)
while True:
key = cv2.waitKey(1)
if key == 27:
break
cv2.destroyAllWindows()
圆环检测:
C++:
#include "pch.h"
#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <iostream>
#include <string>
using namespace cv;
using namespace std;
// Declare variables to store images
Mat gray, cimg, img, edges;
int initThresh;
const int maxThresh = 200;
double p1, p2;
// Vector to store circle points
vector<Vec3f> circles;
void onTrackbarChange(int, void*)
{
cimg = img.clone();
p1 = initThresh;
p2 = initThresh * 0.4;
// Detect circles using HoughCircles transform 霍夫曼变换
HoughCircles(gray, circles, HOUGH_GRADIENT, 1, cimg.rows / 64, p1, p2, 25, 50);
//画圆
for (size_t i = 0; i < circles.size(); i++)
{
Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
int radius = cvRound(circles[i][2]);
// Draw the outer circle
circle(cimg, center, radius, Scalar(0, 255, 0), 2);
// Draw the center of the circle
circle(cimg, center, 2, Scalar(0, 0, 255), 3);
}
// Display output image
imshow("Image", cimg);
// Edge image for debugging
Canny(gray, edges, p1, p2);
imshow("Edges", edges);
}
int main()
{
//读图
img = imread("./image/brown-eyes.jpg", IMREAD_COLOR);
if (img.empty())
{
cout << "Error reading image" << endl;
return -1;
}
// Convert to gray-scale 转换为灰度图
cvtColor(img, gray, COLOR_BGR2GRAY);
// Will hold the results of the detection
namedWindow("Edges", 1);
namedWindow("Image", 1);
//初始阈值
initThresh = 105;
//滑动条
createTrackbar("Threshold", "Image", &initThresh, maxThresh, onTrackbarChange);
onTrackbarChange(initThresh, 0);
imshow("Image", img);
while (true)
{
int key;
key = waitKey(0);
if ((char)key == 27)
{
break;
}
}
destroyAllWindows();
return 0;
}
Python:
import cv2
import numpy as np
import sys
def onTrackbarChange(max_slider):
cimg = np.copy(img)
p1 = max_slider
p2 = max_slider * 0.4
# Detect circles using HoughCircles transform
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, cimg.shape[0]/64, param1=p1, param2=p2, minRadius=25, maxRadius=50)
# If at least 1 circle is detected
if circles is not None:
cir_len = circles.shape[1] # store length of circles found
circles = np.uint16(np.around(circles))
for i in circles[0, :]:
# Draw the outer circle
cv2.circle(cimg, (i[0], i[1]), i[2], (0, 255, 0), 2)
# Draw the center of the circle
cv2.circle(cimg, (i[0], i[1]), 2, (0, 0, 255), 3)
else:
cir_len = 0 # no circles detected
# Display output image
cv2.imshow('Image', cimg)
# Edge image for debugging
edges = cv2.Canny(gray, p1, p2)
cv2.imshow('Edges', edges)
if __name__ == "__main__":
# Read image
img = cv2.imread("./image/brown-eyes.jpg")
# Convert to gray-scale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Create display windows
cv2.namedWindow("Edges")
cv2.namedWindow("Image")
# Trackbar will be used for changing threshold for edge
initThresh = 105
maxThresh = 200
# Create trackbar
cv2.createTrackbar("Threshold", "Image", initThresh, maxThresh, onTrackbarChange)
onTrackbarChange(initThresh)
while True:
key = cv2.waitKey(1)
if key == 27:
break
cv2.destroyAllWindows()
3 参考
https://www.learnopencv.com/hough-transform-with-opencv-c-python/
本文来自博客园,作者:落痕的寒假,转载请注明原文链接:https://www.cnblogs.com/luohenyueji/p/16970310.html
![](https://gitcode.net/LuohenYJ/article_picture_warehouse/-/raw/main/wechat/content/%E5%8A%A0%E6%B2%B9%E9%B8%AD.gif)