0


OpenCV入门(十八)快速学会OpenCV 17 直线检测

OpenCV入门(十八)快速学会OpenCV 17 直线检测

作者:Xiou

1.霍夫直线变换概述

霍夫变换是一种在图像中寻找直线、圆形以及其他简单形状的方法。霍夫变换采用类似于投票的方式来获取当前图像内的形状集合,该变换由Paul Hough(霍夫)于1962年首次提出。最初的霍夫变换只能用于检测直线,经过发展后,霍夫变换不仅能够识别直线,还能识别其他简单的图形结构,常见的有圆、椭圆等。

霍夫直线变换用来在图像内寻找直线,在OpenCV中,可以用函数cv2.HoughLines()和函数cv2.HoughLinesP()实现。

霍夫变换 (Hough Line Transform) 是图像处理中的一种特征提取技术. 通过平面空间到极值坐标空间的转换, 可以帮助我们实现直线检测。

2.霍夫变换原理

为了方便说明问题,先以我们熟悉的笛卡儿坐标系(与笛卡儿空间对应)为例来说明霍夫变换的基本原理。与笛卡儿坐标系对应,我们构造一个霍夫坐标系(对应于霍夫空间)。在霍夫坐标系中,横坐标采用笛卡儿坐标系中直线的斜率k,纵坐标使用笛卡儿坐标系中直线的截距b。

首先,我们观察笛卡儿空间中的一条直线在霍夫空间内的映射情况。例如,在图16-1中,左图是笛卡儿x-y坐标系(笛卡儿空间),右图是霍夫k-b坐标系(霍夫空间)。在笛卡儿空间中,存在着一条直线y=k0x+b0,该直线的截距k0是已知的常量,截距b0也是已知的常量。将该直线映射到霍夫空间内,找到已知的点(k0, b0),即完成映射。

从上述分析中可知,笛卡儿空间内的一条直线,其斜率为k,截距为b,映射到霍夫空间内成为一个点(k, b)。或者,可以这样理解,霍夫空间内的一个点(k0, b0),映射到笛卡儿空间,就是一条直线y=k0x+b0。

当我们把直线 y = kx + b 画在指标坐标系上, 如下图. 我们再从原点引线段到直线上的任一点。

在这里插入图片描述

我们可以得到这条线段与 x 轴的夹角为 θ, 距离是 r. 对于直线上的任一点 (x0, y0), 我们可以得到公式:

在这里插入图片描述

综上所述,在霍夫空间内,经过一个点的直线越多,说明其在笛卡儿空间内映射的直线,是由越多的点所构成(穿过)的。我们知道,两个点就能构成一条直线。但是,如果有一个点是因为计算错误而产生的,那么它和另外一个点,也会构成一条直线,此时就会凭空构造出一条实际上并不存在的直线。这种情况是要极力避免的。因此,在计算中,我们希望用更多的点构造一条直线,以提高直线的可靠性。也就是说,如果一条直线是由越多点所构成的,那么它实际存在的可能性就越大,它的可靠性也就越高。因此,霍夫变换选择直线的基本思路是:选择有尽可能多直线交汇的点。

3.操作实例

3.1 HoughLines函数

OpenCV提供了函数cv2.HoughLines()用来实现霍夫直线变换,该函数要求所操作的源图像是一个二值图像,所以在进行霍夫变换之前要先将源图像进行二值化,或者进行Canny边缘检测。

函数cv2.HoughLines()的语法格式为:

        lines=cv2.HoughLines(image, rho, theta, threshold)

式中:
● image是输入图像,即源图像,必须是8位的单通道二值图像。如果是其他类型的图像,在进行霍夫变换之前,需要将其修改为指定格式。
● rho为以像素为单位的距离r的精度。一般情况下,使用的精度是1。
● theta为角度θ的精度。一般情况下,使用的精度是π/180,表示要搜索所有可能的角度。
● threshold是阈值。该值越小,判定出的直线就越多。通过上一节的分析可知,识别直线时,要判定有多少个点位于该直线上。在判定直线是否存在时,对直线所穿过的点的数量进行评估,如果直线所穿过的点的数量小于阈值,则认为这些点恰好(偶然)在算法上构成直线,但是在源图像中该直线并不存在;如果大于阈值,则认为直线存在。所以,如果阈值较小,就会得到较多的直线;阈值较大,就会得到较少的直线。
● 返回值lines中的每个元素都是一对浮点数,表示检测到的直线的参数,即(r, θ),是numpy.ndarray类型。

有一点需要强调的是,使用函数cv2.HoughLines()检测到的是图像中的直线而不是线段,因此检测到的直线是没有端点的。所以,我们在进行霍夫直线变换时所绘制的直线都是穿过整幅图像的。

代码实例:

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图像
img = cv2.imread('tes.jpg')# 转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 边缘检测, Sobel算子大小为3
edges = cv2.Canny(gray,50,150, apertureSize=3)
orgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
oShow = orgb.copy()# 霍夫曼直线检测
lines = cv2.HoughLines(edges,1, np.pi /180,140)#遍历for line in lines:# 获取rho和theta
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 =int(x0 +1000*(-b))
    y1 =int(y0 +1000*(a))
    x2 =int(x0 -1000*(-b))
    y2 =int(y0 -1000*(a))
    cv2.line(orgb,(x1, y1),(x2, y2),(0,0,255),2)#展示
plt.subplot(121)
plt.imshow(oShow)
plt.axis('off')
plt.subplot(122)
plt.imshow(orgb)
plt.axis('off')

输出结果:

在这里插入图片描述

3.2 HoughLinesP函数

OpenCV提供了函数cv2.HoughLines()用来实现霍夫直线变换,此函数在 HoughLines 的基础上末尾加了一个代表概率 (Probabilistic) 的 P, 表明它可以采用累计概率霍夫变换, 来找出二值图像中的直线。

该函数要求所操作的源图像是一个二值图像,所以在进行霍夫变换之前要先将源图像进行二值化,或者进行Canny边缘检测。函数cv2.HoughLinesP()的语法格式为:

        lines=cv2.HoughLinesP(image, rho, theta, threshold)

参数:

image: 输入图像
rho: 线性搜索半径步长, 以像素为单位
theta: 线性搜索步长, 以弧度为单位
threshold: 累计阈值
minLineLength: 最短直线长度
maxLineGap: 最大孔隙距离

代码实例:

import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读取图片
image = cv2.imread("tes.jpg")
image_copy = image.copy()# 转换成灰度图
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 边缘检测, Sobel算子大小为3
edges = cv2.Canny(image_gray,170,220, apertureSize=3)# 霍夫曼直线检测
lines = cv2.HoughLinesP(edges,1, np.pi /180,100, minLineLength=100, maxLineGap=10)# 遍历for line in lines:# 获取坐标
    x1, y1, x2, y2 = line[0]
    cv2.line(image_copy,(x1, y1),(x2, y2),(0,0,255), thickness=5)# 图片展示
f, ax = plt.subplots(2,2, figsize=(12,12))# 子图
ax[0,0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax[0,1].imshow(image_gray,"gray")
ax[1,0].imshow(edges,"gray")
ax[1,1].imshow(cv2.cvtColor(image_copy, cv2.COLOR_BGR2RGB))# 标题
ax[0,0].set_title("original")
ax[0,1].set_title("image gray")
ax[1,0].set_title("image edge")
ax[1,1].set_title("image line")

plt.show()

输出结果:

在这里插入图片描述

在这里插入图片描述


本文转载自: https://blog.csdn.net/qq_41600018/article/details/129647779
版权归原作者 小幽余生不加糖 所有, 如有侵权,请联系我们删除。

“OpenCV入门(十八)快速学会OpenCV 17 直线检测”的评论:

还没有评论