检测边缘和轮廓不仅重要，还经常用到，它们也是构成其他复杂操作的基础。
直线和形状检测与边缘和轮廓检测有密切的关系。
霍夫hough 变换是直线和形状检测背后的理论基础。霍夫变化是基于极坐标和向量开展的，常规的直线是二维平面直角坐标上建立的
y = kx + b
该直线的参数 k、b 存在有负值，负值则不便于计算（有资料这样撰写的，没有深究，就以此为参考吧），对于极坐标而言，其表达式为
r=x * cosθ + y * sinθ
参数r、θ均可以为正数（极坐标r值永远是大于等于0的数，θ就可以用0～360度表示方便计算。其中r表示直线到原点的最短距离，θ表示x轴与原点到直线最短距离的夹角）。
1 直线检测
直线检测可通过 HoughLines 和 HoughLinesP 函数来完成，
- HoughLines - 使用标准的Hough变换
- HoughLinesP - 使用概率Hough变换，因此名称后有一个P
HoughLinesP 属于标准Hough变换的优化版本，它不仅分析点点的子集并且还会估计这些点都属于一条直线的概率。该函数计算代价会少一些，执行会变得更快一些。
HoughLinesP 函数的应用
作用：通过概率Hough变换算法实现对二值图像中的线检测
cv2.HoughLinesP(image, rho, theta, threshold[, minLineLength[, maxLineGap]]) -> lines
参数：
image - 8-bit、单通道single-channel二进制源图像；
HoughLines函数会接受由Canny边缘检测滤波器处理过的单通道二值图像，但不一定必须经过Canny处理；不过经过去噪且只有边缘的图像当作Hough变换的输入会得到不错的效果，因此使用Canny滤波器的返回值是一个普遍的惯例。
rho - 累加器的距离分辨率，单位为像素，一般取值为1。
theta - 累加器的角度分辨率，单位为弧度，一般取值为np.pi/180
threshold - 累加器的阈值参数，只有落在直线上的像素点数大于thresh值才会返回直线。
minLineLength - 最小线段长度，小于该值的直线会被舍弃掉
maxLineGap - 同一直线中允许的最大间隙值（gap between points）
返回值：
lines - 矢量线，每行有 4 个元素组成，(x_1, y_1, x_2, y_2)，(x_1, y_1) 和 (x_2, y_2) 分别是开始点和结束点
示例：
1 import cv2 2 import numpy as np 3 4 img = cv2.imread('lines.png') 5 # 将图片转为灰度图 6 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 7 # 边缘轮廓检测 8 edges = cv2.Canny(gray,50,120) 9 10 minLineLength = 20 11 maxLineGap = 5 12 lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap) 13 14 # 打印lines.shape值，(29, 1, 4) 15 # print(lines.shape) 16 # 打印lines值 17 # print(lines) ♦ 18 for line in lines: 19 # 打印line[0].shape,(4,) 20 # print(line[0].shape) 21 # 打印line值 22 # print(line[0]) ♦ ♦ 23 cv2.line(img,(line[0][0],line[0][1]),(line[0][2],line[0][3]),(255,255,0),5) 24 25 26 # 边缘检测轮廓绘图 27 cv2.imshow("edges", edges) 28 # Hough变换后绘图 29 cv2.imshow("Hough", img) 30 cv2.waitKey() 31 cv2.destroyAllWindows()
另，第一个 ♦ 输出值（第 17 行）
[[[ 82 356 943 356]] [[ 82 358 943 358]] [[455 333 455 39]] [[457 333 457 39]] [[282 331 309 331]] [[145 682 413 682]] [[562 121 818 121]] [[373 613 376 618]] [[402 663 405 668]] [[732 708 843 597]] [[560 330 560 123]] [[355 582 365 599]] [[561 331 819 331]] [[533 652 729 652]] [[285 461 355 581]] [[819 330 819 122]] [[534 538 730 538]] [[196 593 242 514]] [[251 498 254 493]] [[145 681 178 624]] [[457 511 457 455]] [[457 668 457 713]] [[457 617 457 667]] [[732 483 843 594]] [[455 433 455 489]] [[730 537 730 483]] [[457 597 457 541]] [[532 651 532 540]] [[732 484 843 595]]]
另，第二个 ♦ ♦ 输出值（第 17 行）
[ 82 356 943 356] [ 82 358 943 358] [455 333 455 39] [457 333 457 39] [282 331 309 331] [145 682 413 682] [562 121 818 121] [373 613 376 618] [402 663 405 668] [732 708 843 597] [560 330 560 123] [355 582 365 599] [561 331 819 331] [533 652 729 652] [285 461 355 581] [819 330 819 122] [534 538 730 538] [196 593 242 514] [251 498 254 493] [145 681 178 624] [457 511 457 455] [457 668 457 713] [457 617 457 667] [732 483 843 594] [455 433 455 489] [730 537 730 483] [457 597 457 541] [532 651 532 540] [732 484 843 595]
图片对比
我们可以发现，原图在Canny函数检测后，其轮廓均能被有效检测出来，在霍夫Hough变换时，需要进一步修改参数才能进行有效检测。
2 圆检测
上述代码是针对直线检测的，函数HoughCircles是实现圆的检测。
HoughCircles函数的应用
作用：使用Hough变换在灰度图像中查找 / 检测圆圈。
HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles
参数：
image - 8位单通道二进制图像。
method - 检测方法，唯一实现的方法是 HOUGH_GRADIENT
dp - 累加器分辨率，其与图像分辨率的反比，若dp = 1，则累加器具有与输入图像相同的分辨率，若dp = 2，则累加器的宽度和高度为输入图像的一半。
minDist - 检测到的圆的中心之间的最小距离，若太小，则除真实的一个外，可能错误地检测到多个相邻的圆圈，若太大，则可能会遗漏一些圆
param1 - 第一个特定于方法的参数。在#HOUGH_GRADIENT的情况下，它是传递给Canny边缘检测器的两个较高阈值（较低的一个小两倍）。
param2 - 第二种方法特定参数。在#HOUGH_GRADIENT的情况下，它是检测阶段圆心的累加器阈值。它越小，可以检测到更多的假圆圈。将首先返回与较大累加器值对应的圆圈。
minRadius - 最小圆半径
maxRadius - 最大圆半径
示例：
import cv2 import numpy as np planets = cv2.imread('planet_glow.png') gray_img = cv2.cvtColor(planets, cv2.COLOR_BGR2GRAY) # 进行中值滤波操作 # 中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替 img = cv2.medianBlur(gray_img,5) cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR) circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1=100,param2=30,minRadius=0,maxRadius=0) print(help(cv2.HoughCircles)) circles = np.uint16(np.around(circles)) for i in circles[0,:]: # draw the outer circle cv2.circle(planets,(i[0],i[1]),i[2],(0,255,0),2) # draw the center of the circle cv2.circle(planets,(i[0],i[1]),2,(0,0,255),3) cv2.imwrite("planets_circles.jpg",planets) cv2.imshow('HoughCircles',planets) cv2.waitKey() cv2.destroyAllWindows
运行：
参考：
opencv 直线和圆检测，该文中仅有代码，可以借鉴
原图：
