OpenCV - Hough 直线变换（Python实现）

原理

直线可以通过类似 y = mx + c 或 极坐标 ρ = x cosθ + y sinθ(其中ρ表示原点到直线的垂直距离，θ是垂直线与水平轴之间的逆时针方向夹角，方向主要取决于如何放置坐标系)来表示。
如果线经过原点下方，那就有小于180°的正[RHO][1]和夹角。如果线经过原点上方，相较于使用大于180°的夹角，opencv会选择使用小于180°的夹角，并采用负的RHO。垂直线是0°，水平线是90°。
来看看霍夫变换如何处理线条。任何线条都可以由(ρ,θ)2个参数形容，首先创建一个二维数组或者累加器(存储2个参数的值)，初始化为0。用行表示ρ，用列表示θ，数组的大小取决于精确度需求，假设精确度为1°，则需要180列，ρ最大距离可能是图片对角线的长度，所以设置精确度为1像素，那么行数就是图片对角线长。

OpenCV 中的霍夫变换

cv2.HoughLines()。返回值就是（ ρ; θ）。 ρ 的单位是像素， θ 的单位是弧度。这个函数的第一个参数是一个二值化图像，所以在进行霍夫变换之前要首先进行二值化，或者进行Canny 边缘检测。第二和第三个值分别代表 ρ 和 θ 的精确度。第四个参数是阈值，只有累加其中的值高于阈值时才被认为是一条直线，也可以把它看成能检测到的直线的最短长度（以像素点为单位）。

import cv2
import numpy as np

img = cv2.imread('image.PNG') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 
edges = cv2.Canny(gray,50,150) #边缘检测
lines = cv2.HoughLines(edges,1,np.pi/180,120) #Hough直线检测
for rho,theta in lines[:,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),(0,0,255),2)
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Probabilistic Hough Transform(概率霍夫变换)

在霍夫变换中，可以通过2个变量来检测一条线上的点，但花费大量计算。概率霍夫变换是一个优化的霍夫变换，它不会计算所有的点，而是随机的选取一组足以识别直线的点，所以我们需要减少阈值。看下图中关于霍夫变换和概率霍夫变换在霍夫空间的比较：

import cv2
import numpy as np

img = cv2.imread('image.PNG') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,120)
minLineLength = 50 #线的最短长度
maxLineGap = 20 #线段之间最大间隔
lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[:,0,:]:
    cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()