Python OpenCV 霍夫（Hough Transform）直线变换检测应用

#Python OpenCV 霍夫（Hough Transform）直线变换检测应用| 来源: 网络整理| 查看: 265

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。

Python OpenCV 基础知识铺垫霍夫直线变换函数原型概率霍夫变换（Probabilistic Hough Transform）橡皮擦的小节

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：

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~