opencv之霍夫变换直线检测

霍夫变换检测

霍夫变换之直线检测

• 霍夫变换直线检测
• 前提条件-边缘检测已经完成
• 平面空间到极坐标空间的转换(空间域向霍夫域的转换)

$x=ρcos\theta$x=ρcosθ

$y=ρsin\theta$y=ρsinθ

$ρ^2=x^2+y^2$ρ2=x2+y2

$tan\theta=y/x(x≠0)$tanθ=y/x(x​=0)

检测原理
两点确定一条直线，通过一点可以确定无数条直线，极坐标直线公式$ρ=xcos\theta+ysin\theta$ρ=xcosθ+ysinθ
每个点通过角度取不同的值，都能在横坐标为角度值，纵坐标为ρ值的坐标系内确定一条曲线，只要角度值的精细度足够。ρ代表直线到原点的距离。对每个像素采取这样的操作，将会得出很多这样的曲线，这些曲线的交点证明，这些点所在的那个角度所通过的直线到原点距离相等，则证明这些点就在同一条直线上。从运算的复杂程度来看opencv不可能采取那样精细的角度范围。但大致原理基本如此。

• 对于任意一条直线上的所有点来说
• 变换到极坐标，从[0~360]空间，可以得到r的大小
• 属于同一条直线点在极坐标(r,theta)必然在一个点上有最强的信号出现，根据此反算到平面坐标中可以得到直线上各点的像素坐标。从而得到直线
  参考链接：
  https://blog.csdn.net/u013263891/article/details/82867251
  https://blog.csdn.net/fengjiexyb/article/details/78075888
  https://blog.csdn.net/weixin_40196271/article/details/83346442

---

相关API

• 标准的霍夫变换cv::HoughLines从平面坐标转换到霍夫空间，最终输出是(角度,极轴)表示极坐标空间
• 霍夫变换直线概率cv::HoughLinesP最终输出是直线的两个点(x0,y0,x1,y1)

函数API(不常用)
void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0, double min_theta = 0, double max_theta = CV_PI )
函数参数

• 第一个参数，InputArray类型的image，输入图像，即源图像，需为8位的单通道二进制图像，可以将任意的源图载入进来后由函数修改成此格式后，再填在这里。
• 第二个参数，InputArray类型的lines，经过调用HoughLines函数后储存了霍夫线变换检测到线条的输出矢量。每一条线由具有两个元素的矢量表示，其中，是离坐标原点((0,0)（也就是图像的左上角）的距离。 是弧度线条旋转角度（0~垂直线，π/2~水平线）。
• 第三个参数，double类型的rho，以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径。PS:Latex中/rho就表示 。
• 第四个参数，double类型的theta，以弧度为单位的角度精度。另一种形容方式是直线搜索时的进步尺寸的单位角度。
• 第五个参数，int类型的threshold，累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值。大于阈值threshold的线段才可以被检测通过并返回到结果中。
• 第六个参数，double类型的srn，有默认值0。对于多尺度的霍夫变换，这是第三个参数进步尺寸rho的除数距离。粗略的累加器进步尺寸直接是第三个参数rho，而精确的累加器进步尺寸为rho/srn。
• 第七个参数，double类型的stn，有默认值0，对于多尺度霍夫变换，srn表示第四个参数进步尺寸的单位角度theta的除数距离。且如果srn和stn同时为0，就表示使用经典的霍夫变换。否则，这两个参数应该都为正数。
• 第八个参数，double类型的 min_theta，对于标准和多尺度Hough变换，检查线条的最小角度。必须介于0和max_theta之间。
• 第九个参数，double类型的 max_theta, 对于标准和多尺度Hough变换，检查线条的最大角度。必须介于min_theta和CV_PI之间.

---

函数API（常用）
void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength=0, double maxLineGap=0 )

参数介绍

• 第一个参数，InputArray类型的image，输入图像，即源图像，需为8位的单通道二进制图像，可以将任意的源图载入进来后由函数修改成此格式后，再填在这里。
• 第二个参数，InputArray类型的lines，经过调用HoughLinesP函数后后存储了检测到的线条的输出矢量，每一条线由具有四个元素的矢量(x_1,y_1, x_2, y_2） 表示，其中，(x_1, y_1)和(x_2, y_2) 是是每个检测到的线段的结束点。
• 第三个参数，double类型的rho，以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径。
• 第四个参数，double类型的theta，以弧度为单位的角度精度。另一种形容方式是直线搜索时的进步尺寸的单位角度。
• 第五个参数，int类型的threshold，累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值。大于阈值threshold的线段才可以被检测通过并返回到结果中。
• 第六个参数，double类型的minLineLength，有默认值0，表示最低线段的长度，比这个设定参数短的线段就不能被显现出来。
• 第七个参数，double类型的maxLineGap，有默认值0，允许将同一行点与点之间连接起来的最大的距离。

---

代码演示

#include <iostream>  
#include <fstream>
#include <opencv2/opencv.hpp>
#include <math.h>

cv::Mat src; 
cv::Mat gray_src;
int cur_val=240;
int max_val=255;
void canny_demo(int ,void *);
int main(void)
{
    string pic = string(Pic_Path) + string(Pic_Name);
    cout << pic << endl;
	
    src = cv::imread(pic.c_str());
    cv::namedWindow("原始图片",cv::WINDOW_AUTOSIZE);
    cv::imshow("原始图片",src);
    
    cv::cvtColor(src,gray_src,cv::COLOR_BGR2GRAY);
    
    cv::namedWindow("边缘检测",cv::WINDOW_AUTOSIZE);
    cv::createTrackbar("边缘阈值调整","边缘检测",&cur_val,max_val, canny_demo);
    canny_demo(0,0);
    
    cv::waitKey(0);
    cv::destroyAllWindows();

}
void canny_demo(int ,void *)
{
    cv::Mat canny_dst;
    
    //边缘检测 使用动态的边缘检测范围 检测尺寸为3 使用非精确的近似算法
    cv::Canny(gray_src,canny_dst,cur_val,cur_val*2,3,false);
    cv::imshow("边缘检测",canny_dst);
 
    vector<cv::Vec4f> plines;   //定义直线向量容器  可以理解为数组 存储所有的直线概率点集合
    
    //直线检测 直线概率点 一个像素点为检测的步进检测步长 一度的检测角度 低于10个的直线点集合过滤 
    cv::HoughLinesP(canny_dst,plines,1,CV_PI/180.0,60,100,20);
    
    cv::Mat dst = cv::Mat(canny_dst.size(),src.type());
    //定义颜色
    cv::Scalar color = cv::Scalar(39,0,235);
    for(int i=0;i<plines.size();i++)
    {
        //定义一个二维向量点元素 临时存储每个二维向量点
        cv::Vec4f hline = plines[i];
        //划线 定义线宽 去锯齿
        cv::line(dst,cv::Point(hline[0],hline[1]),cv::Point(hline[2],hline[3]),color,2,cv::LINE_AA);
    }
    if(dst.empty())
    {
        cout << "图片为空 退出" << cur_val<< endl;
        return ;
    }
    cv::medianBlur(dst,dst,3);
    //cv::namedWindow("直线检测",cv::WINDOW_AUTOSIZE);
    //cv::imshow("直线检测",dst);
    cv::Mat cacul;
    cv::addWeighted(src,0.8,dst,1,0,cacul);
    cv::namedWindow("检测叠加",cv::WINDOW_AUTOSIZE);
    cv::imshow("检测叠加",cacul);
f
}