Python下opencv使用筆記之hough變換
在數字影象中，往往存在著一些特殊形狀的幾何圖形，像檢測馬路邊一條直線，檢測人眼的圓形等等，有時我們需要把這些特定圖形檢測出來，hough變換就是這樣一種檢測的工具。
Hough變換的原理是將特定圖形上的點變換到一組引數空間上，根據引數空間點的累計結果找到一個極大值對應的解，那麼這個解就對應著要尋找的幾何形狀的引數（比如說直線，那麼就會得到直線的斜率k與常熟b，圓就會得到圓心與半徑等等）。
關於hough變換，核心以及難點就是關於就是有原始空間到引數空間的變換上。以直線檢測為例，假設有一條直線L，原點到該直線的垂直距離為p，垂線與x軸夾角為
再來分析這個演算法。可以看到hough變換就是引數對映變換。對每一個點都進行對映，並且每一個對映還不止一次，
繼續演算法，分析這麼多，可想而知那麼一個hough變換在演算法設計上就可以如下步驟：
（1）將引數空間(ρ,θ)(ρ,θ)和點（x,y）計算出來這個直線就ok了。
說了這麼多，這就是原理上hough變換的最底層原理，事實上完全可以自己寫程式去實現這些，然而，也說過，hough變換是一個耗時耗力的演算法，自己寫迴圈實現通常很慢，曾經用matlab寫過這個，也有實際的hough變換例子可以看看：
那麼我們在實際中大可不必自己寫，opencv已經集成了hough變換的函式，呼叫它的函式效率高，也很簡單。
Opencv中檢測直線的函式有cv2.HoughLines()，cv2.HoughLinesP()
函式cv2.HoughLines()返回值有三個（opencv 3.0），實際是個二維矩陣，表述的就是上述的(ρ,θ)(ρ,θ)的精確度，可以理解為步長。第四個引數為閾值T，認為當累加器中的值高於T是才認為是一條直線。自己畫了個圖實驗一下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('line.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度影象
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLines(edges,1,np.pi/180,160)
lines1 = lines[:,0,:]#提取為為二維
for rho,theta in lines1[:]:
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(img,(x1,y1),(x2,y2),(255,0,0),1)
plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])
- 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
測試一個新的圖，不停的改變 cv2.HoughLines最後一個閾值引數到合理的時候如下：
可以看到檢測的還可以的。
函式cv2.HoughLinesP()是一種概率直線檢測，我們知道，原理上講hough變換是一個耗時耗力的演算法，尤其是每一個點計算，即使經過了canny轉換了有的時候點的個數依然是龐大的，這個時候我們採取一種概率挑選機制，不是所有的點都計算，而是隨機的選取一些個點來計算，相當於降取樣了。這樣的話我們的閾值設定上也要降低一些。在引數輸入輸出上，輸入不過多了兩個引數：minLineLengh(線的最短長度，比這個短的都被忽略)和MaxLineCap（兩條直線之間的最大間隔，小於此值，認為是一條直線）。輸出上也變了，不再是直線引數的，這個函式輸出的直接就是直線點的座標位置，這樣可以省去一系列for迴圈中的由引數空間到影象的實際座標點的轉換。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('room.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度影象
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=60,maxLineGap=10)
lines1 = lines[:,0,:]#提取為二維
for x1,y1,x2,y2 in lines1[:]:
cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)
plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
可以看到這個方法似乎更好些，速度還快，調引數得到較好的效果就ok了。
Ok說完了直線的檢測，再來說說圓環的檢測，我們知道圓的數學表示為：
從而一個圓的確定需要三個引數，那麼就需要三層迴圈來實現（比直線的多一層），從容把影象上的所有點對映到三維引數空間上。其他的就一樣了，尋找引數空間累加器的最大（或者大於某一閾值）的值。那麼理論上圓的檢測將比直線更耗時，然而opencv對其進行了優化，用了一種霍夫梯度法，感興趣去研究吧，我們只要知道它能優化演算法的效率就可以了。關於函式引數輸入輸出：
cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius)
這個時候輸入為灰度影象，同時最好規定檢測的圓的最大最小半徑，不能盲目的檢測，否側浪費時間空間。輸出就是三個引數空間矩陣。
來個實際點的人眼影象，把minRadius和maxRadius調到大圓範圍檢測如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('eye.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度影象
plt.subplot(121),plt.imshow(gray,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
circles1 = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,
100,param1=100,param2=30,minRadius=200,maxRadius=300)
circles = circles1[0,:,:]#提取為二維
circles = np.uint16(np.around(circles))#四捨五入，取整
for i in circles[:]:
cv2.circle(img,(i[0],i[1]),i[2],(255,0,0),5)#畫圓
cv2.circle(img,(i[0],i[1]),2,(255,0,255),10)#畫圓心
plt.subplot(122),plt.imshow(img)
plt.xticks([]),plt.yticks([])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
把半徑範圍調小點，檢測內圓：
至此圓的檢測就是這樣。
在數字影象中，往往存在著一些特殊形狀的幾何圖形，像檢測馬路邊一條直線，檢測人眼的圓形等等，有時我們需要把這些特定圖形檢測出來，hough變換就是這樣一種檢測的工具。