Learn Opencv ---- 使用Opencv进行霍夫变化

阅读原文

    在这篇博文中，我们将借助一种叫做霍夫变换的技术来检查图像中的直线和圆形。

什么是霍夫变换

    霍夫变换是一种特征提取方法，用于检测图像中的简单图形，如圆形，直线等。简单的图形意味着可以使用几个参数来进行表示，例如，一条直线可以使用两个参数（斜率和截距）来表示，而一个圆可以使用三个参数（圆心和半径）来表示。可以这么说，霍夫变换在寻找图像中的图形方面比较优秀。使用霍夫变换的主要优点是，它对遮挡不敏感。

使用霍夫变换检测直线

图1: 为一条在极坐标下的直线。

极坐标下的直线方程

    从高中数学课上我们知道，在极坐标下，直线的方程如下所示：

其中，$\rho$为直线到原点到距离（以像素为单位），$\theta$是直线与$Y$轴的夹角（以弧度为单位）。
    为什么我们不使用传统的斜率+截距的直线方程呢？原因是，传统直线方程的斜率可以从-∞取到+∞，但是对于霍夫变换来说，参数是需要存在边界的。而对于极坐标的直线方程，$\theta$是有限的，$\rho$看起来是无限的，但是由于图像是有限的，因此它也是有限的。

累加器

    想象一个二维数组，其中x轴包含了所有$\theta$的值，y轴包含了所有$\rho$的值。这个二维数组的每一个格子都代表了一条直线。

图2：累加器。
    图2的数组被称为累加器，因为我们将使用这个数组的格子来收集图像中存在的直线。图中的左上角对应$(-R,0)$，右下角对应$(R,\pi )$，这个累加器数组会从图像中提取信息，并增加对应当格子的值。

第一步，初始化累加器

    首先，我们需要创建一个累加器数组，而累加器数组的单元格数量是一个设计决策，即需要人为的考虑其大小。假如你的累加器是一个10x10的数组，那就意味着，你最多能检测到100条不同的直线。所以，图像的分辨率也是一个能够决定你设计累加器到底有多大的因素。

第二步，检测边缘

    现在我们已经初始化好了累加器，接下来，就是要手机图像中的直线的信息（证据）。
    我们怎么获取证据呢？具体想法是，如果图像中有一个可见的线，那么可以使用边缘检测器去检测这条线，并获得这条线所占有的像素数组$[(x_1,y_1),(x_2,y_2)...(x_n,y_n)]$。

第三步，按边缘像素投票

    对于上诉像素数组中的每个边缘像素$(x,y)$，我们将$\theta$值从0递增到$\pi$，并将其带入到直线极坐标方程中，得到$\rho$。下图给出了三个像素在不同$\theta$值下的得到的不同$\rho$值的曲线图（图中的r标错了，应该是$\rho$）。

    可以看到，这三条曲线相交与一点，即$\theta =1,\rho =9.5$。通常每条边缘会有很多个像素，累加器用于找到由边缘像素生成的所有曲线的交点。例如，你构建的累加器为20x20，那么就相当于将$0到\pi$分为20份，即有20种不同的$\theta$。因此，对于每个边缘的像素$(x,y)$，我们都能够计算得到20个$(\rho ,\theta )$。然后再将累加器种对应位置的格子进行递增，较多值的格子即可视为交点。从上述表达可以知道，可以设定一个阈值，用来过滤某些交点较小的数据，即较弱的直线。

使用Opencv完成检测

    没错，不用我们瞎操心啦，Opencv提供来两个函数来用于霍夫变换。分辨是HoughLines和HoughLinesP，他们的参数如下：

• edges：边缘检测器的输出。
• lines：一个向量，用来表示一条直线的开始点和结束点。
• rho：分辨率参数$\rho$，单位为像素。
• theta：分辨率参数$\theta$，单位是弧度。
• threshold：检测一条线的最小交点数。

import cv2
import numpy as np
import sys

def onTrackbarChange(max_slider):
	global img
	global dst
	global gray

	dst = np.copy(img)

	th1 = max_slider 
	th2 = th1 * 0.4
	# 边缘检测
	edges = cv2.Canny(img, th1, th2)
	# 使用概率霍夫变换
	# 边缘图，线段以像素为单位的距离精度，线段以弧度为单位的角度精度
	# 累加器的阈值，线段以像素为单位的最小长度，一方向上两条线段判定为一条线段的最大允许间隔
	lines = cv2.HoughLinesP(edges, 2, np.pi/180.0, 50, minLineLength=10, maxLineGap=100)

	# 把直线绘制到图中
	for line in lines:
		x1, y1, x2, y2 = line[0]
		cv2.line(dst, (x1, y1), (x2, y2), (0,0,255), 1)

	cv2.imshow("Result Image", dst)	
	cv2.imshow("Edges",edges)

if __name__ == "__main__":
	# 读取图像
	img = cv2.imread('lanes.jpg')
	# 创建图像的深拷贝（防止数据污染）
	dst = np.copy(img)
	gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

	# 创建显示窗口
	cv2.namedWindow("Edges")
	cv2.namedWindow("Result Image")
	  
	# 初始化的阈值
	initThresh = 500
	# 可选的最大阈值
	maxThresh = 1000
	# 滑杆取值控件
	# onTrackbarChange为滑杆数据变化时的响应函数
	cv2.createTrackbar("threshold", "Result Image", initThresh, maxThresh, onTrackbarChange)
	# 主动调用
	onTrackbarChange(initThresh)

	while True:
		key = cv2.waitKey(1)
		if key == 27:
			break

	cv2.destroyAllWindows()

检测效果

使用Opencv中的霍夫变换检测圆形

    由于一个圆形需要使用三个参数（圆心和半径）来表示，因此，我们需要构建一个三维的累加器。圆形公式定义如下：

    检测圆形的步骤如下：

1. 使用边缘检测器获取到图像中的边缘信息。
2. 为了检测图像中的圆，为半径设置了最大值和最小值。
3. 在三维累加器中，对不同中心和半径的圆进行累加计算。

    Opencv中给出HoughCircles函数来检测图像中的圆，它的参数如下：

• image: 输入的图像。
• method: 检测的方法
• dp: 累加器分辨率与图像分辨率的反比。
• mindst: 所检测的圆的中心之间的最小距离。
• param_1和param_2: 这两个是特定方法的参数。
• min_Radius: 要检测的圆的最小半径。
• max_Radius: 要检测的圆的最大半径。

import cv2
import numpy as np
import sys

def onTrackbarChange(max_slider):
    cimg = np.copy(img)

    p1 = max_slider
    p2 = max_slider * 0.4

    
    circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, cimg.shape[0]/64, param1=p1, param2=p2, minRadius=25, maxRadius=50)

    # 判断是否有圆
    if circles is not None:
        # 获取圆的个数
        cir_len = circles.shape[1]
        # 取整
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            # 绘制圆的外轮廓
            cv2.circle(cimg, (i[0], i[1]), i[2], (0, 255, 0), 2)
            # 绘制圆心小点
            cv2.circle(cimg, (i[0], i[1]), 2, (0, 0, 255), 3)
    else:
        cir_len = 0 
    
    cv2.imshow('Image', cimg)    

    edges = cv2.Canny(gray, p1, p2)
    cv2.imshow('Edges', edges)

    

    
if __name__ == "__main__":
    # 读取图像
    img = cv2.imread('brown-eyes.jpg', 1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 创建显示窗口
    cv2.namedWindow("Edges")
    cv2.namedWindow("Image")
    

    # 初始化的阈值和最大阈值
    initThresh = 105 
    maxThresh = 200 

    # 滑杆取值控件
    # onTrackbarChange为滑杆数据变化时的响应函数
    cv2.createTrackbar("Threshold", "Image", initThresh, maxThresh, onTrackbarChange)
    onTrackbarChange(initThresh)
    
    while True:
        key = cv2.waitKey(1)
        if key == 27:
            break

    cv2.destroyAllWindows()

检测效果