直线检测原理
核心要点：图像坐标空间、参数空间、极坐标参数空间 -> （极坐标）参数空间表决
给定一个点，我们一般会写成y=ax+b的形式，这是坐标空间的写法；我们也可以写成b=-xa+y的形式，这是参数空间的写法。也就是说，给定一个点，那么经过该点的直线的参数必然满足b=-xa+y这一条件，也就是必然在参数空间中b=-xa+y这条直线上。如果给定两个点，那么这两点确定的唯一的直线的参数，就是参数空间中两条参数直线的交点。
由于上述写法不适合处理水平或垂直的直线，我们可以使用极坐标的形式描述直线，即ρ=xcosθ+ysinθ，其中ρ是从原点到直线的垂直距离，θ是由这条垂直线和水平轴形成的角度（以逆时针方向测量），
如下图所示：
因此，任何垂直线θ=0，水平线θ=90°。那么极坐标参数空间中的曲线交点就是由两个点确定的一条直线，如下图所示。
现在让我们看看Hough变换是如何处理直线的。任何一条线都可以用这两个参数来表示（ρ，θ）。
- 首先创建一个二维数组，即累加器，用来保存两个参数的值，然后最初将其设置为全0。让行表示ρ，列表示θ。数组的尺寸取决于所需的精度。假设希望角度的精度为1度，则需要180列，枚举0°-179°的所有情况。对于ρ，可能的最大距离是图像的对角线长度。因此，以一个像素的精度计算，行数可以是图像的对角线长度。
- 枚举所有的点，对于每一个点，将所有经过这一点的直线对应的参数（ρ，θ）在参数空间中找到对应位置，令该位置的累加器加1，即投票。这一过程如下图所示。
枚举完成所有点之后，累加器中值最大的（若干个）参数组合（ρ，θ）就是经过点最多的（若干条）直线，如下图所示，两条直线对应累加器中最亮的两个点。
总的来说，对于多个点，我们可以用（离散）参数空间表决的方法，记录每个点对应的允许的参数组合，求得那些被允许次数最多的参数组合，就是最多点经过的直线。
在图像矫正任务中，我们经过Canny算子检测出了若干边缘点，这些点主要集中在四个边界上，因此我们只需要使用Hough直线检测，求出四条直线，就能确定四个边界。
OpenCV实现
cv.HoughLines()封装了上述步骤，该函数原型为：
cv.HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]]) -> lines
参数：
- lines：数组，每一个元素都是一条直线对应的(ρ, θ)，ρ以像素为单位，θ以弧度为单位。
- image：输入图像，需要是二值图像，所以在应用hough变换之前应用阈值或canny边缘检测。
- rho：ρ的精度。
- theta：θ的精度。
- threshold：阈值，得票数高于该值的线才被认为是线，由于投票数取决于线上的点数，所以它代表了应该被检测到的线的最小点数。
下面是具体代码：
def hough_detect(image_path):
# 读取图像并转换为灰度图像
image = cv2.imread(image_path)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 使用Canny算子检测边缘
edges = canny_detect(image_path, False)
# 使用Hough检测直线
lines = cv2.HoughLines(edges, 1, np.pi/180, 200)
# 绘制直线
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(image, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow('line,jpg', image)
cv2.waitKey()
hough_detect('images/2.jpeg')
效果：
后面需要调整一下超参数。
到此这篇关于Python OpenCV Hough直线检测算法的原理实现的文章就介绍到这了,更多相关Python OpenCV Hough 内容请搜索猪先飞以前的文章或继续浏览下面的相关文章希望大家以后多多支持猪先飞！
原文出处：https://blog.csdn.net/qq_41112170/article/details/125729006