霍夫变换
霍夫变换是经典的直线检测算法，最初用来检测图像中的直线，同时也可以将其扩展，用来检测图像中的简单几何结构(如：圆，矩形等)。
直线检测原理
理解霍夫变换直线检测原理是有必要的，理解了其原理自然能理解函数中的参数对检测的意义和作用，进而能根据自己应用场景的需求设置参数。
直线可以分别用直角坐标系和极坐标系来表示：
假设在直角坐标系下分析直线检测问题：
确定参数a，b能够在直角坐标系下表示一条直线，那么存在a-b空间，使得直角坐标系上在某直线上的所有点都能映射到a-b空间上的某个点上。映射到a-b空间某点的数量越多，越可能图像存在一条直线。
通俗的讲，就是同一条直线上的点a，b值是一样的，如果能在图像上找到a，b值相同的点(并且很多)，则说明存在一条由该a，b值确定的直线。
但是，由于直线的斜率可能为无穷大(垂直直线)，或者无穷小(水平直线), 那么在a-b空间就不便对直线进行描述和刻画，所以有人提出采用极坐标参数空间进行直线检测。
极坐标下分析直线检测问题：
极坐标下表示直线的公式：
与直角坐标系的分析一样，存在一个r-θ空间，图像中同一条直线上的点会有相同的r-θ，这些点达到一定的数量，可认为存在一条直线。
Opencv中先计算(r-θ)的累加数，累加数超过一定值后就认为在同一条直线上。
代码实现
Opencv中使用cv2.HoughLines()在二值图像上实现霍夫变换，函数返回的是极坐标下描述直线的(r,θ)数据(每一组r,θ数据表示一条直线)。
# 1.加载图片，转为二值图
img = cv2.imread('shapes.jpg')
drawing = np.zeros(img.shape[:], dtype=np.uint8)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
# 2.霍夫直线变换
lines = cv2.HoughLines(edges, 0.8, np.pi / 180, 90)
参数解析
- 参数一：要检测的二值图像(一般是边缘检测后的图像)
- 参数二：r的变化精度，r的变化步长，上面说过要在r-θ空间上进行焦点检测，r的步长越小能检测到的直线就越多，一般设为1就够用了。
- 参数三：角度θ变化精度，与r一样，不同是该值是弧度，一般设为1度，也就是np.pi/180
- 参数四：累加数伐值，原理中有说到，r-θ空间上映射的某点达到一定数量时才被视为一条直线，该值就是这个数量
画出检测点
# 3.将检测的线画出来（注意是极坐标噢）
for line in lines:
rho, theta = line[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(drawing, (x1, y1), (x2, y2), (0, 0, 255))
统计概率霍夫直线变换
前面的方法为标准的活肤变换，他会计算图像中的每一个点，计算量比较大，另外他得到的是一整条(r和θ)，并不知道图像中直线的端点。所以提出了统计概率霍夫直线变换，是一种改进的霍夫变换：
# 3.统计概率霍夫线变换
lines = cv2.HoughLinesP(edges, 0.8, np.pi / 180, 90, minLineLength=50, maxLineGap=10)
参数说明
前面几个参数跟标准的霍夫变换一样，有两个可选参数：
- minLineLength： 最短长度阀值，比这个长度短的线会被排除
- maxLineGap：同一直线两点间的最大距离(点不连续不认为是一条直线)
输出结果自动帮我们转换到了直角坐标系，相当方便：
# 3.将检测的线画出来
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 1)
检测结果
参考文章
https://www.jianshu.com/p/34d6dc466e81
https://blog.csdn.net/qq_40962368/article/details/81950178
