OpenCV-Python教程（9、使用霍夫變換檢測直線）

相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++呼叫相應OpenCV函式的不同之處。這篇文章介紹在Python中使用OpenCV的霍夫變換檢測直線。

提示：

• 轉載請詳細註明原作者及出處，謝謝！
  
• 本文介紹在OpenCV-Python中使用霍夫變換檢測直線的方法。
• 本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《影象處理與計算機視覺演算法及應用(第2版) 》。

霍夫變換

Hough變換是經典的檢測直線的演算法。其最初用來檢測影象中的直線，同時也可以將其擴充套件，以用來檢測影象中簡單的結構。

OpenCV提供了兩種用於直線檢測的Hough變換形式。其中基本的版本是cv2.HoughLines。其輸入一幅含有點集的二值圖（由非0畫素表示），其中一些點互相聯絡組成直線。通常這是通過如Canny運算元獲得的一幅邊緣影象。cv2.HoughLines函式輸出的是[float, float]形式的ndarray，其中每個值表示檢測到的線(ρ , θ)中浮點點值的引數。下面的例子首先使用Canny運算元獲得影象邊緣，然後使用Hough變換檢測直線。其中HoughLines函式的引數3和4對應直線搜尋的步長。在本例中，函式將通過步長為1的半徑和步長為π/180的角來搜尋所有可能的直線。最後一個引數是經過某一點曲線的數量的閾值，超過這個閾值，就表示這個交點所代表的引數對(rho, theta)在原影象中為一條直線。具體理論可參考

這篇文章。

1. #coding=utf-8
2. import cv2  
3. import numpy as np    
4. img = cv2.imread("/home/sunny/workspace/images/road.jpg", 0)  
5. img = cv2.GaussianBlur(img,(3,3),0)  
6. edges = cv2.Canny(img, 50, 150, apertureSize = 3)  
7. lines = cv2.HoughLines(edges,1,np.pi/180,118) #這裡對最後一個引數使用了經驗型的值
8. result = img.copy()  
9. for line in lines[0]:  
10.     rho = line[0] #第一個元素是距離rho
11.     theta= line[1] #第二個元素是角度theta
12.     print rho  
13.     print theta  
14.     if  (theta < (np.pi/4. )) or (theta > (3.*np.pi/4.0)): #垂直直線
15.                 #該直線與第一行的交點
16.         pt1 = (int(rho/np.cos(theta)),0)  
17.         #該直線與最後一行的焦點
18.         pt2 = (int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0])  
19.         #繪製一條白線
20.         cv2.line( result, pt1, pt2, (255))  
21.     else: #水平直線
22.         # 該直線與第一列的交點
23.         pt1 = (0,int(rho/np.sin(theta)))  
24.         #該直線與最後一列的交點
25.         pt2 = (result.shape[1], int((rho-result.shape[1]*np.cos(theta))/np.sin(theta)))  
26.         #繪製一條直線
27.         cv2.line(result, pt1, pt2, (255), 1)  
28. cv2.imshow('Canny', edges )  
29. cv2.imshow('Result', result)  
30. cv2.waitKey(0)  
31. cv2.destroyAllWindows()  

結果如下：

注意：

在C++中，HoughLines函式得到的結果是一個向量lines，其中的元素是由兩個元素組成的子向量(rho, theta)，所以lines的訪問方式類似二維陣列。因此，可以以類似：

1. std::vector<cv::Vec2f>::const_iterator it= lines.begin();  
2. float rho= (*it)[0];  
3. float theta= (*it)[1];  

這樣的方式訪問rho和theta。

而在Python中，返回的是一個三維的np.ndarray！。可通過檢驗HoughLines返回的lines的ndim屬性得到。如：

1. lines = cv2.HoughLines(edges,1,np.pi/180,118)  
2. print lines.ndim  
3. #將得到3

至於為什麼是三維的，這和NumPy中ndarray的屬性有關（關於NumPy的相關內容，請移步至NumPy簡明教程），如果將HoughLines檢測到的的結果輸出，就一目瞭然了：

1. #上面例子中檢測到的lines的資料
2. 3#lines.ndim屬性
3. (1, 5, 2) #lines.shape屬性
4. #lines[0]
5. [[  4.20000000e+012.14675498e+00]  
6.  [  4.50000000e+012.14675498e+00]  
7.  [  3.50000000e+012.16420817e+00]  
8.  [  1.49000000e+021.60570288e+00]  
9.  [  2.24000000e+021.74532920e-01]]  
10. ===============  
11. #lines本身
12. [[[  4.20000000e+012.14675498e+00]  
13.   [  4.50000000e+012.14675498e+00]  
14.   [  3.50000000e+012.16420817e+00]  
15.   [  1.49000000e+021.60570288e+00]  
16.   [  2.24000000e+021.74532920e-01]]]  

概率霍夫變換

觀察前面的例子得到的結果圖片，其中Hough變換看起來就像在影象中查詢對齊的邊界畫素點集合。但這樣會在一些情況下導致虛假檢測，如畫素偶然對齊或多條直線穿過同樣的對齊畫素造成的多重檢測。

要避免這樣的問題，並檢測影象中分段的直線（而不是貫穿整個影象的直線），就誕生了Hough變化的改進版，即概率Hough變換（Probabilistic Hough）。在OpenCV中用函式cv::HoughLinesP 實現。如下：

1. #coding=utf-8
2. import cv2  
3. import numpy as np    
4. img = cv2.imread("/home/sunny/workspace/images/road.jpg")  
5. img = cv2.GaussianBlur(img,(3,3),0)  
6. edges = cv2.Canny(img, 50, 150, apertureSize = 3)  
7. lines = cv2.HoughLines(edges,1,np.pi/180,118)  
8. result = img.copy()  
9. #經驗引數
10. minLineLength = 200
11. maxLineGap = 15
12. lines = cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength,maxLineGap)  
13. for x1,y1,x2,y2 in lines[0]:  
14.     cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)  
15. cv2.imshow('Result', img)  
16. cv2.waitKey(0)  
17. cv2.destroyAllWindows()  

結果如下：

未完待續。。。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（10、直方圖均衡化）

相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++呼叫相應OpenCV函式的不同之處。這篇文章介紹在Python中使用OpenCV和NumPy對直方圖進行均衡化處理。

提示：

• 轉載請詳細註明原作者及出處，謝謝！
  
• 本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《影象處理與計算機視覺演算法及應用(第2版) 》，對於本節的內容，建議直接參考維基百科直方圖均衡化，只需看下頁面最後的兩幅圖就能懂了。

本文內容：

• 使用查詢表拉伸直方圖
• 使用OpenCV和NumPy的函式以不同的方式進行直方圖均衡化
  

在某些情況下，一副影象中大部分畫素的強度都集中在某一區域，而質量較高的影象中，畫素的強度應該均衡的分佈。為此，可將表示畫素強度的直方圖進行拉伸，將其平坦化。如下：

圖來自維基百科

實驗資料

本節的實驗資料來自維基百科，原圖如下：

其直方圖為：

使用查詢表來拉伸直方圖

在影象處理中，直方圖均衡化一般用來均衡影象的強度，或增加影象的對比度。在介紹使用直方圖均衡化來拉伸影象的直方圖之前，先介紹使用查詢表的方法。

觀察上圖中原始影象的直方圖，很容易發現大部分強度值範圍都沒有用到。因此先檢測影象非0的最低（imin）強度值和最高（imax）強度值。將最低值imin設為0，最高值imax設為255。中間的按255.0*(i-imin)/(imax-imin)+0.5)的形式設定。

相關推薦