Hough变换原来是这么用的

最新推荐文章于 2025-08-04 18:48:37 发布

风清扬雨

最新推荐文章于 2025-08-04 18:48:37 发布

阅读量398

点赞数 8

CC 4.0 BY-SA版权

分类专栏：计算机视觉人工智能文章标签： opencv python 图像处理

本文链接：https://blog.youkuaiyun.com/Jacklx888/article/details/149859805

人工智能同时被 2 个专栏收录

48 篇文章

订阅专栏

计算机视觉

36 篇文章

订阅专栏

小伙伴们！今天来揭秘一个在CV（计算机视觉）领域超经典又神秘的算法——Hough变换！🔍
是不是总在OpenCV教程里看到cv2.HoughLines()但完全不知道它是干啥的？
别慌！这篇笔记带你从0到1搞懂Hough变换的原理+实战，手把手用Python实现，连代码都给你拆解得明明白白！💻✨

🎯 什么是Hough变换？

简单说：它能把图片里的“直线”或“圆”自动找出来！
哪怕线条断断续续、有噪声、被遮挡，它也能“脑补”出来！🧠💡

👉 应用场景：车道线检测、文档扫描矫正、工业零件检测、OCR预处理……

🌟 核心思想：从“图像空间”到“参数空间”的魔法转换！

想象一下：
一条直线在图像中是 (x, y) 的点集合，但在数学上可以用 极坐标 表示：

ρ = x·cosθ + y·sinθ

其中：

ρ：原点到直线的距离
θ：直线与x轴的夹角

Hough变换的精髓来了👇：

图像中的每一个边缘点，都会在(ρ, θ)参数空间中画出一条曲线。
所有属于同一直线的点，它们的曲线会在参数空间中相交于一点！
那个交点就是这条直线的参数 (ρ, θ)！

🎯 所以我们只需要在参数空间里找“交点密集区”——那就是图像中的直线！

💥 实战案例：用Python检测图片中的直线

✅ 第一步：环境准备

pip install opencv-python numpy matplotlib

✅ 第二步：完整代码 + 逐行解析

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

# 1️⃣ 读取图像（以灰度模式）
image = cv2.imread('road.jpg', cv2.IMREAD_GRAYSCALE)
print("原始图像形状:", image.shape)

# 2️⃣ 边缘检测（Canny是Hough的好搭档！）
edges = cv2.Canny(image, 50, 150, apertureSize=3)
# 参数解释：
# 50: 低阈值，低于它不是边缘
# 150: 高阈值，高于它是强边缘
# 3: Sobel算子大小

# 3️⃣ 应用Hough变换检测直线
lines = cv2.HoughLines(edges,          # 输入边缘图
                       1,              # ρ的精度（1像素）
                       np.pi / 180,    # θ的精度（1度）
                       threshold=100)  # 累加器阈值，越大越严格

# 4️⃣ 可视化结果
# 把图像转成彩色，方便画线
color_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)

if lines is not None:
    for line in lines:
        rho, theta = line[0]  # 每条线返回 (ρ, θ)
        
        # 将极坐标转换为直线的两个点 (x1,y1), (x2,y2)
        a = np.cos(theta)
        b = np.sin(theta)
        x0 = a * rho
        y0 = b * rho
        
        # 向两个方向延伸画线
        x1 = int(x0 + 1000 * (-b))
        y1 = int(y0 + 1000 * a)
        x2 = int(x0 - 1000 * (-b))
        y2 = int(y0 - 1000 * a)
        
        # 用绿色画线
        cv2.line(color_image, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 5️⃣ 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(image, cmap='gray'), plt.title('origin')
plt.subplot(132), plt.imshow(edges, cmap='gray'), plt.title('Canny edges')
plt.subplot(133), plt.imshow(cv2.cvtColor(color_image, cv2.COLOR_BGR2RGB)), plt.title('Hough detect Line')
plt.tight_layout()
plt.show()

📊 参数详解（划重点！）

参数	说明	小贴士
`rho` 精度	通常设为1	太小计算慢，太大精度低
`theta` 精度	`np.pi/180` = 1度	角度越小，检测越细但越慢
`threshold`	累加器阈值	值越小，检测越多线（可能误检）

💡 调参建议：先设threshold=100，根据结果调整。线条明显就调高，模糊就调低！

🔁 进阶玩法：检测圆！`HoughCircles`

circles = cv2.HoughCircles(
    edges,
    cv2.HOUGH_GRADIENT,
    dp=1,               # 分辨率倒数
    minDist=20,         # 圆心最小距离
    param1=50,          # Canny高阈值
    param2=30,          # 累加器阈值，越小越敏感
    minRadius=5,
    maxRadius=100
)

# 画出检测到的圆
if circles is not None:
    circles = np.round(circles[0, :]).astype("int")
    for (x, y, r) in circles:
        cv2.circle(color_image, (x, y), r, (0, 0, 255), 2)