• opencv 霍夫变换检测直线和圆


    霍夫变换

    霍夫变换原理及python实现

    opencv 霍夫直线变换

    OpenCV中用cv.HoughLines()在二值图上实现霍夫变换,函数返回的是一组直线的(r,θ)数据:
    函数中:
    参数1:要检测的二值图(一般是阈值分割或边缘检测后的图)
    参数2:距离r的精度,值越大,考虑越多的线
    参数3:角度θ的精度,值越小,考虑越多的线
    参数4:累加数阈值,值越小,考虑越多的线

    实验:检测图像中的直线

    import cv2 as cv
    import numpy as np
    
    # 1. 霍夫直线变换
    img = cv.imread('shapes.jpg')
    drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    edges = cv.Canny(gray, 50, 150)
    
    # 霍夫直线变换
    lines = cv.HoughLines(edges, 0.8, np.pi / 180, 90)
    
    # 将检测的线画出来(注意是极坐标噢)
    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))
    
        cv.line(drawing, (x1, y1), (x2, y2), (0, 0, 255))
    
    cv.imshow('hough lines', np.hstack((img, drawing)))
    cv.waitKey(0)
    

    实验结果

    霍夫直线检测结果

    统计概率霍夫直线变换

    前面的方法又称为标准霍夫变换,它会计算图像中的每一个点,计算量比较大,另外它得到的是整一条线(r和θ),并不知道原图中直线的端点。所以提出了统计概率霍夫直线变换(Probabilistic Hough Transform),是一种改进的霍夫变换:

    drawing = np.zeros(img.shape[:], dtype=np.uint8)
    # 统计概率霍夫线变换
    lines = cv.HoughLinesP(edges, 0.8, np.pi / 180, 90,
                            minLineLength=50,   maxLineGap=10)
    

    前面几个参数跟之前的一样,有两个可选参数:
    minLineLength:最短长度阈值,比这个长度短的线会被排除
    maxLineGap:同一直线两点之间的最大距离

    实验:统计概率霍夫直线变换检测图像中的直线

    import cv2 as cv
    import numpy as np
    
    # 1. 霍夫直线变换
    img = cv.imread('shapes.jpg')
    drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    edges = cv.Canny(gray, 50, 150)
    
    # 霍夫直线变换
    lines = cv.HoughLinesP(edges, 0.8, np.pi / 180, 90, minLineLength=50, maxLineGap=10)
    
    # 将检测的线画出来
    for line in lines:
    	x1, y1, x2, y2 = line[0]
    	cv.line(drawing, (x1, y1), (x2, y2), (255, 0, 0), 1, lineType=cv.LINE_AA)
    
    cv.imshow('probabilistic hough lines', np.hstack((img, drawing)))
    cv.waitKey(0)
    

    实验结果

    统计概率霍夫直线检测结果

    霍夫圆变换

    霍夫圆变换跟直线变换类似,只不过线是用(r,θ)表示,圆是用(x_center,y_center,r)来表示,从二维变成了三维,数据量变大了很多;所以一般使用霍夫梯度法减少计算量。

    drawing = np.zeros(img.shape[:], dtype=np.uint8)
    # 霍夫圆变换
    circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 20, param2=30)
    circles = np.int0(np.around(circles))
    

    参数2:变换方法,一般使用霍夫梯度法,详情:HoughModes
    参数3:dp=1:表示霍夫梯度法中累加器图像的分辨率与原图一致
    参数4:两个不同圆圆心的最短距离
    参数5:param2跟霍夫直线变换中的累加数阈值一样

    实验:霍夫圆变换检测图像中的圆

    import cv2 as cv
    import numpy as np
    
    img = cv.imread('shapes.jpg')
    drawing = np.zeros(img.shape[:], dtype=np.uint8)  # 创建画板
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    edges = cv.Canny(gray, 50, 150)
    
    # 霍夫圆变换
    circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 20, param2=30)
    circles = np.int0(np.around(circles))
    
    # 将检测的圆画出来
    for i in circles[0, :]:
        cv.circle(drawing, (i[0], i[1]), i[2], (0, 255, 0), 2)  # 画出外圆
        cv.circle(drawing, (i[0], i[1]), 2, (0, 0, 255), 3)  # 画出圆心
    
    cv.imshow('circles', np.hstack((img, drawing)))
    cv.waitKey(0)
    

    实验结果

    霍夫圆检测结果

  • 相关阅读:
    阶段3 2.Spring_10.Spring中事务控制_4 spring中事务控制的一组API
    阶段3 2.Spring_10.Spring中事务控制_3 作业-基于注解的AOP实现事务控制及问题分析_下
    阶段3 2.Spring_10.Spring中事务控制_2 作业-基于注解的AOP实现事务控制及问题分析_上
    程序员选择字体的标准是
    高通Audio中ASOC的codec驱动(二)
    HashTree【转】
    什么是负载均衡?【转】
    Linux RCU 机制详解
    如何使用C语言的面向对象
    高通HAL层之bmp18x.cpp
  • 原文地址:https://www.cnblogs.com/wojianxin/p/12619034.html
一二三 - 开发者的网上家园