Python OpenCV霍夫线变换详解：原理、cv.HoughLines与概率变换HoughLinesP实战

霍夫变换原理与数学基础

霍夫变换是一种广泛使用的形状检测技术，能够识别即使存在部分破坏或轻微扭曲的形状。在数学表达上，直线可以通过直角坐标系方程 y = mx + c 表示，也可以采用极坐标参数形式 ρ = xcosθ + ysinθ。其中，ρ 代表从原点到直线的垂直距离，θ 则是该垂线与水平轴之间逆时针形成的角度（具体方向取决于坐标系定义，OpenCV 采用此表示法）。

OpenCV标准霍夫变换实现

OpenCV中的霍夫变换实现

使用 cv.HoughLines() 函数时，第一个参数必须是二值图像。因此，在应用霍夫变换前，需先进行阈值处理或Canny边缘检测。第二和第三个参数分别控制 ρ 和 θ 的精度。第四个参数为阈值，用于判定检测到的线条是否有效。需要注意的是，投票数取决于直线上的点数，该阈值实际上决定了被检测到的最小线段长度。

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

img = cv2.imread('img.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,200)
for line in lines:
  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(img,(x1,y1),(x2,y2),(0,0,255),2)

cv2.imshow('show',img)
cv2.waitKey()

概率霍夫变换优化与参数详解

概率霍夫变换原理

标准霍夫变换即使针对双参数直线，计算量也较大。概率霍夫变换（Probabilistic Hough Transform）是对标准变换的优化，它不处理所有点，而是随机选取子集进行计算，这在保证行检测效果的同时显著降低了计算成本。

函数 cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]) 用于实现概率霍夫变换。

• minLineLength 参数定义线段的最小长度，短于此值的线段将被忽略。
• maxLineGap 参数定义允许将多条线段视为同一条直线的最大间隙距离。

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

img = cv2.imread('img.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)
lines = cv2.HoughLinesP(edges, 1, np.pi/180,100, minLineLength=100, maxLineGap=10)
for line in lines:
  x1, y1, x2, y2 = line[0]
  cv2.line(img, (x1, y1), (x2, y2), (0,255,0), 2)

cv2.imshow('show',img)
cv2.waitKey()

以上为Python使用OpenCV实现霍夫线变换的完整内容，更多相关技术文章请关注本站其他资源。