?? Hough变换是图像处理中从图像中识别几何形状的基本方法之一,本文主要介绍一些基本的使用,包括直线和圆的检测,希望能够由点及面,了解基础,应用到实际案例中。
目录
- 霍夫变换
- 标准霍夫直线变换
- 概率霍夫直线变换
- 霍夫圆变换
霍夫变换
?? 霍夫变换常用来在图像中提取直线和圆等几何形状
?? 直线的表达方式:
表示经过点(x_0, y_0)(x0?,y0?)的所有直线可以表示为:
r_{\theta} = {x_0}\cdot{cos\theta} + y_0\cdot{sin\theta}rθ?=x0??cosθ+y0??sinθ
因此,同一条直线上的点一定会有相同的(r,\theta)(r,θ) ,opencv就是计算 (r,\theta)(r,θ)的累加数,累加数超过一定值后就认为是在同一条直线上。
标准霍夫直线变换
?? OpenCV中用cv2.HoughLines()在二值图上实现霍夫变换,函数返回的是一组直线的(r,\theta)(r,θ) 数据:
- 参数1:要检测的二值图(一般是阈值分割或边缘检测后的图)
- 参数2:距离r的精度,值越大,考虑越多的线
- 参数3:角度θ的精度,值越小,考虑越多的线
- 参数4:累加数阈值,值越小,考虑越多的线
import cv2
import numpy as np
img = cv2.imread('../data/shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8) # 创建画板
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
# 霍夫直线变换
lines = cv2.HoughLines(edges, 0.8, np.pi / 180, 90)
# 将检测的线画出来(极坐标)
for line in lines:
rho, theta = line[0]
a = np.cos(theta)
b = np.sin(theta)
x0 = a * rho
y0 = b * rho
# 由参数空间向实际坐标点转换
x1 = int(x0 + 1000 * (-b))
y1 = int(y0 + 1000 * (a))
x2 = int(x0 - 1000 * (-b))
y2 = int(y0 - 1000 * (a))
cv2.line(drawing, (x1, y1), (x2, y2), (0, 0, 255))
cv2.imshow('hough lines', np.hstack((img, drawing)))
cv2.waitKey(0)
概率霍夫直线变换
- 标准霍夫变换需要遍历每个点,无论是耗时还是计算量都相对较大,而且它得到的是整一条线(r 和 θ),并不知道原图中直线的端点。
- 提出了统计概率霍夫直线变换(Probabilistic Hough Transform),是一种改进的霍夫变换,它采取一种概率挑选机制,不是所有的点都进行计算,而是随机的选取一些点来进行计算,这样的话在阈值设置上也需要降低一些。
import cv2
import numpy as np
img = cv2.imread('../data/shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8) # 创建画板
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
## 霍夫直线变换
lines = cv2.HoughLinesP(edges, 0.8, np.pi/180, 90, minLineLength=50, maxLineGap=10)
# 画出直线
for line in lines:
x1,y1,x2,y2 = line[0]
cv2.line(drawing, (x1,y1), (x2,y2), (0, 255, 0), 1, lineType=cv2.LINE_AA)
霍夫圆变换
?? 类似于直线变换,只不过线是用(r,θ)表示,圆是用(x_center,y_center,r)来表示,从二维变成了三维,数据量变大了很多,所以一般使用霍夫梯度法减少计算量。
cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 35, param2=50)
- 参数1:要检测的二值图(一般是阈值分割或边缘检测后的图)
- 参数2:变换方法,一般使用霍夫梯度法,cv2.HOUGH_GRADIENT
- 参数3:dp=1:表示霍夫梯度法中累加器图像的分辨率与原图一致
- 参数4:两个不同圆圆心的最短距离
- 参数5:param2跟霍夫直线变换中的累加数阈值一样
import cv2
import numpy as np
img = cv2.imread('ball.jpg')
image = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 600, param1=100, param2=30, minRadius=60, maxRadius=90)
circles = np.int0(np.around(circles))
for i in circles[0,:]:
cv2.circle(img,(i[0],i[1]),i[2],(0,0,255),3)
cv2.circle(img,(i[0],i[1]),2,(255,0,255),10)
cv2.rectangle(img,(i[0]-i[2],i[1]+i[2]),(i[0]+i[2],i[1]-i[2]),(0,255,0),3)
cv2.imshow('circles', np.hstack((image,img)))
cv2.waitKey(0)
未完待续~
?? 更多Opencv教程将持续发布!
欢迎关注哟~ ??????