OpenCV 图像分析之 —— 霍夫变换(Hough Transform)

for edge point (x,y) in image:
	for theta = 0 to 180:
		rho = x * cos(theta) + y * sin(theta)
		H(round(theta), round(rho)) += 1

cv2.HoughLines(
	image, 				# 原图像。
	rho, 				# 累加器的距离分辨率(以像素为单位)。
	theta, 				# 累加器的弧度角分辨率。
	threshold[, 		# 累加器阈值参数。只返回那些获得足够投票的直线(> threshold)。
	lines[, 			# 返回的线，格式为 [[rho_1,theta_1], [rho_2,theta_2], ...]
	srn[, 				# 对于多尺度 Hough 变换，它是距离分辨率 ρ 的一个除数。
						  粗的累加器距离分辨率为 ρ，精确的累加器分辨率为 ρ/srn。
						  如果同时使用 srn = 0 和 stn = 0，则使用经典的 Hough 变换。
						  否则，这两个参数都应该是正数。
	stn[, 				# 对于多尺度 Hough 变换，它是距离分辨率 θ 的除数。
	min_theta[,			# 对于标准和多尺度霍夫变换，最小角度检查线。必须在0和max_theta之间。
    max_theta			# 对于标准和多尺度霍夫变换，检查线路的最大角度。必须在 min_theta 和 cv2.CV_pi 之间。
    ]]]]]) -> lines

img = mt.cv_rgb_imread('hough_line.jpeg')
ori_img = img.copy()
gray = mt.to_gray_image(img)
edge = cv2.Canny(gray, 17430, 34000, apertureSize=7, L2gradient=True)
lines = cv2.HoughLines(edge, rho=1, theta=np.pi/180, threshold=170)

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),(250,250,40),2)
PIS(ori_img, img)

cv2.HoughLinesP(
	image, 				# 源图像。
	rho, 				# 累加器的距离分辨率(以像素为单位)。
	theta, 				# 累加器的弧度角分辨率。
	threshold[, 		# 累加器阈值参数。只返回那些获得足够投票的直线(> threshold)。
	lines[, 			# 返回线结果，格式为 [[xmin, ymin, xmax, ymax], ...]。
	minLineLength[, 	# 最短线段长度。
	maxLineGap]]]		# 点连接成线的最大距离。
	) -> lines

img = mt.cv_rgb_imread('hough_line.jpeg')
ori_img = img.copy()
gray = mt.to_gray_image(img)
edge = cv2.Canny(gray, 17430, 34000, apertureSize=7, L2gradient=True)
lines = cv2.HoughLinesP(edge, rho=1, theta=np.pi/180, threshold=30, minLineLength=30, maxLineGap=20)
for line in lines:
    x1,y1,x2,y2 = line[0]
    cv2.line(img,(x1,y1),(x2,y2),(250,255,70),2)
PIS(ori_img, img)

通常该函数能很好地检测出圆的中心。但是，它可能无法找到正确的半径。您可以通过指定半径范围(minRadius 和 maxRadius)来辅助函数。或者，在 HOUGH_gradient 方法的情况下，您可以将 maxRadius 设置为一个负数，只返回中心而不进行半径搜索，并使用另一个程序找到正确的半径。 

cv2.HoughCircles(
	image, 					# 单通道灰度图像，uint8 格式
	method, 				# 检测方法，支持 cv2.HOUGH_GRADIENT 和 cv2.HOUGH_GRADIENT_ALT
							  cv2.HOUGH_GRADIENT_ALT 是 4.3.0 版本的新方法，精度较高
	dp, 					# 累加器分辨率与图像分辨率的反比
							# 例如，如果 dp=1 ，则累加器具有与输入图像相同的分辨率。
							  如果 dp=2，累加器的宽度和高度只有一半。
							# 对于 HOUGH_GRADIENT_ALT 算法，除非有很小的圆需要检测，否则建议 dp=1.5
	minDist[, 				# 检测到的圆心之间的最小距离。
							# 如果参数太小，除了一个真实的圆之外，多个相邻的圆可能会被错误地检测到。
							  如果太大，有些圆圈可能会被漏掉。
	circles[, 				# 返回的圆结果
							  如果是三维则结果为 (x, y, radius)
							  如果是四维则结果为 (x, y, radius, votes)
	param1[, 				# 第一个参数
							  对于 cv2.HOUGH_GRADIENT 和 cv2.HOUGH_GRADIENT_ALT，
							  它是传递给 Canny 算子的两个阈值中较高的阈值(较低的阈值小两倍)。
							  注意，cv2.HOUGH_ HOUGH_GRADIENT_ALT 使用 Scharr 算法计算图像导数，
							  因此阈值通常应该较高，如300或正常曝光和对比度图像。
	param2[, 				# 第二个参数
							  在 cv2.HOUGH_GRADIENT 情况下，它是检测阶段圆心的累加阈值。
							  它越小，就可能检测到越多的错误圆环。与较大的累加器值对应的“圆”将首先返回。
							  在 cv2.HOUGH_ HOUGH_GRADIENT_ALT 算法的情况下，这是圆的“完美性”度量。
							  越接近1，算法选择形状越好的圆形。在大多数情况下，0.9就可以了。
							  如果你想更好地发现小圆，你可以把它减少到0.85,0.8甚至更少。
							  但同时也要尝试限制搜索范围[ minRadius，maxRadius ] ，以避免出现许多错误的圆圈。
	minRadius[, 			# 最小的圆半径
	maxRadius]]]]]) -> 		# 最大圆半径。
							  如果该参数 <= 0，则使用最大图像维数。
							  如果该参数 < 0，当方法为 cv2.HOUGH_GRADIENT 时函数返回中心，但不找半径；
							  cv2.HOUGH_GRADIENT_ALT 总是计算圆半径。
	circles

img_org = mt.cv_rgb_imread('hough_circles.jpeg', gray=False)
img_org = mt.image_resize(img_org, factor=0.4)
img = mt.to_gray_image(img_org)

res = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, 1.2, 100, param1=360, param2=120, minRadius=50, maxRadius=300)
for circle in res[0]:
    x, y, radius = circle
    cv2.circle(img_org, mt.vvd_round([x, y]), mt.vvd_round(radius), color=[255, 0, 0], thickness=2)
PIS(img_org)

img_org = mt.cv_rgb_imread('hough_circles.jpeg', gray=False)
img_org = mt.image_resize(img_org, factor=0.4)
img = mt.to_gray_image(img_org)

res = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT_ALT, 1.2, 120, param1=500, param2=0.85, minRadius=50, maxRadius=300)
for circle in res:
    x, y, radius = circle[0]
    cv2.circle(img_org, mt.vvd_round([x, y]), mt.vvd_round(radius), color=[255, 0, 0], thickness=2)
PIS(img_org)