一、霍夫直线检测

霍夫变换(Hough Transfrom)，是1972年提出的，最开始就是用来在图像中检测直线，后来扩展能检测圆、曲线等

原理：

图像是一个个离散的像素点构成，如果在图像中有一条直线，那也是一系列的离散点构成。
一条直线可以用方程式：y=kx+b表示，k是斜率，b是截距，(x,y)也是点。我们可以转换成b=-kx+y。我们可以把(k,b)看作另外一个空间的点

我们看到，在x-y图像空间中的一个点，变成了k-b参数空间中的一条线，而x-y图像空间中的2个点连成的线，变成了k-b参数空间中的一个交点
所以，霍夫变换检测直线的原理就是：

如果x-y图像空间中有很多点在k-b空间中相交于一点，那么这个交点就是我们要检测的直线

有一个问题需要注意，图像空间中如果一条直线是垂直的，那么斜率k是没有定义的(或者说无穷大)。为了避免这个问题，霍夫变换采用了另一个参数空间：距离-角度参数空间
那么在图像中，每个点都可以用距离和角度来表达

点(x,y)与距离和角度的关系变成了r=xcosθ+ysinθ
在新的距离-角度参数空间中，图像中的一个点变成了一个正弦曲线，而不是k-b参数空间中的直线了。这些正弦曲线的交点就是图像空间中我们要检测的直线了
每一个(r,θ)都表示一条经过(x0,y0)直线，那么同一条直线上的点必然会有同样的(r,θ)。如果将某个点所有的(r,θ)绘制成下面的曲线，那么同一条直线上的点的(r,θ)曲线会相交于一点

函数：(cv2.HoughLines(src, 1, np.pi/180,200))

(1)参数是输入图像，且必须是二值图像，在进行霍夫变换之前需要采用阈值方法的边缘检测；
第二和第三个参数分别是r,θ对应的精度；
第四个参数是阈值，判定为直线投票数的最小值；
注意，投票数取决于直线上点的个数，因此这个阈值代表了检测到的直线的最短长度
霍夫变换的应用：用于分离图像中特殊形状的特征
可以容忍特征边界描述的误差，并且不受噪声的干扰
广泛用于条形码扫描、验证和识别

二、霍夫圆检测

假设一个圆，半径为r，圆心为(a,b)，我们将其表示为：

1.png

HoughCircles( InputArray image, OutputArray circles, Int method, Double dp, Double mindist, Double param1, ouble param2, Int minradius, Int maxradius )
参数：
image：输入图像 ,必须是8位的单通道灰度图像
circles： 输出结果，发现的圆信息 (x, y, radius)
method： 方法 CV_HOUGH_GRADIENT
dp = 1：用来检测圆心的累加器图像的分辨率于输入图像之比的倒数，且此参数允许创建一个比输入图像分辨率低的累加器。例如，如果dp= 1时，累加器和输入图像具有相同的分辨率。如果dp=2，累加器便有输入图像一半那么大的宽度和高度。
mindist：10 最短距离-可以分辨是两个圆的，否则认为是同心圆。这个参数如果太小的话，多个相邻的圆可能被错误地检测成了一个重合的圆。反之，这个参数设置太大的话，某些圆就不能被检测出来了。
param1：它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半。
param2：中心点累加器阈值 – 候选圆心。它越小的话，就可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了。
minradius, // 最小半径
maxradius//最大半径