Python OpenCV 霍夫（Hough Transform
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。
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 <kbd>cv2.HoughLines</kbd>，函数原型如下
lines = cv2.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])
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()
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<kbd>cv2.HoughLines</kbd>函数。
20210205210214546[1].png
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()
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。
20210205210944249[1].png
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]]])
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：
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)
lines = cv.HoughLinesP(edges, 1.0, np.pi/180, 100,
minLineLength=100, maxLineGap=6)
print(type(lines))
for line in lines:
x1, y1, x2, y2 = line[0]
cv.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv.imshow("src", src)
cv.waitKey()
cv.destroyAllWindows()
运行代码之后，可以获取到相应的线段。
20210205224508600[1].png
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~
相关阅读
技术专栏
今天是持续写作的第 <font color="red">74</font> / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
