【Opencv】Hough变换找直线和圆

题目

解决方法

完整代码

Hough参数详解

总结

参考

题目

用霍夫变换找出图像中的直线和圆（用彩色直线和圆标记在原图上）。要求有代码，有注释，有过程、有结果

解决方法

# -*- coding: UTF-8 -*-
import cv2
import numpy as np
# 1.加载图片，转为二值图
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 由于Canny只能处理灰度图，所以将读取的图像转成灰度图。
cv2.imshow('gray', gray)

扫描二维码关注公众号，回复： 4912236 查看本文章

gray = cv2.GaussianBlur(gray, (3, 3), 0)  # 用高斯平滑处理原图像降噪。
cv2.imshow('Gaussian smoothing', gray)

edges = cv2.Canny(gray, 70, 220)
cv2.imshow('edges', edges)

# 2.1.霍夫直线变换
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image： 必须是二值图像，推荐使用canny边缘检测的结果图像
rho: 线段以像素为单位的距离精度，推荐用1.0
theta： 线段以弧度为单位的角度精度，推荐用numpy.pi/180
minLineLength：表示直线长度的阈值，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少
MaxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），小于了设定值，则把两条线段当成一条线段

返回值为直线的起点和终点。
'''

# 2.2.霍夫圆变换
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))

# 3.将检测到的画出来
lines1 = lines[:, 0, :]  # 提取为二维
for x1, y1, x2, y2 in lines1[:]:
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)

for i in circles[0, :]:
    cv2.circle(img, (i[0], i[1]), i[2], (0, 0, 255), 2)  # 画出外圆
    # cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3)  # 画出圆心

cv2.imshow('Result', img)
cv2.waitKey(0)

完整代码

# -*- coding: UTF-8 -*-
import cv2
import numpy as np
 
# 1.加载图片，转为二值图
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 由于Canny只能处理灰度图，所以将读取的图像转成灰度图。
cv2.imshow('gray', gray)
gray = cv2.GaussianBlur(gray, (3, 3), 0)  # 用高斯平滑处理原图像降噪。
cv2.imshow('Gaussian smoothing', gray)
 
edges = cv2.Canny(gray, 70, 220)
cv2.imshow('edges', edges)
 
# 2.1.霍夫直线变换
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image： 必须是二值图像，推荐使用canny边缘检测的结果图像
rho: 线段以像素为单位的距离精度，推荐用1.0 
theta： 线段以弧度为单位的角度精度，推荐用numpy.pi/180 
minLineLength：表示直线长度的阈值，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少
MaxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），小于了设定值，则把两条线段当成一条线段
返回值为直线的起点和终点。
'''
 
# 2.2.霍夫圆变换
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))
 
# 3.将检测到的画出来
lines1 = lines[:, 0, :]  # 提取为二维
for x1, y1, x2, y2 in lines1[:]:
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
 
for i in circles[0, :]:
    cv2.circle(img, (i[0], i[1]), i[2], (0, 0, 255), 2)  # 画出外圆
    # cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3)  # 画出圆心
 
cv2.imshow('Result', img)
cv2.waitKey(0)

Hough参数详解

cv2.HoughCircles(image,method,dp,minDist[, circles[,param1, param2[,minRadius[,maxRadius]]]]])

其返回N个圆的信息储存在1×N×的ndarray。

image 不用多说，输入矩阵
method cv2.HOUGH_GRADIENT 也就是霍夫圆检测，梯度法
dp 计数器的分辨率图像像素分辨率与参数空间分辨率的比值（官方文档上写的是图像分辨率与累加器分辨率的比值，它把参数空间认为是一个累加器，毕竟里面存储的都是经过的像素点的数量），dp=1，则参数空间与图像像素空间（分辨率）一样大，dp=2，参数空间的分辨率只有像素空间的一半大
minDist 圆心之间最小距离，如果距离太小，会产生很多相交的圆，如果距离太大，则会漏掉正确的圆
param1 canny检测的双阈值中的高阈值，低阈值是它的一半（如果你的圆找不到，可以将该参数变小点）
param2 最小投票数（基于圆心的投票数）
minRadius 需要检测院的最小半径
maxRadius 需要检测院的最大半径

总结

我对hough变换的理解：你的圆一定要非常明显，通过图像处理的方式将圆的边界变得足够清晰，然后使用hough变换才有效。

参考

https://blog.csdn.net/zuliang001/article/details/81607548

https://blog.csdn.net/dz4543/article/details/80699431