目錄

題目

解決方法

完整程式碼

Hough引數詳解

總結

參考

題目

用霍夫變換找出影象中的直線和圓（用彩色直線和圓標記在原圖上）。要求有程式碼，有註釋，有過程、有結果

解決方法

# -*- coding: UTF-8 -*-
import cv2
import numpy as np
# 1.載入圖片，轉為二值圖
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 由於Canny只能處理灰度圖，所以將讀取的影象轉成灰度圖。
cv2.imshow('gray', gray)
 

gray = cv2.GaussianBlur(gray, (3, 3), 0)  # 用高斯平滑處理原影象降噪。
cv2.imshow('Gaussian smoothing', gray)

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

# 2.1.霍夫直線變換
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image： 必須是二值影象，推薦使用canny邊緣檢測的結果影象
rho: 線段以畫素為單位的距離精度，推薦用1.0
theta： 線段以弧度為單位的角度精度，推薦用numpy.pi/180
minLineLength：表示直線長度的閾值，超過設定閾值才被檢測出線段，值越大，基本上意味著檢出的線段越長，檢出的線段個數越少
MaxLineGap：同一方向上兩條線段判定為一條線段的最大允許間隔（斷裂），小於了設定值，則把兩條線段當成一條線段

返回值為直線的起點和終點。
'''

# 2.2.霍夫圓變換
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))

# 3.將檢測到的畫出來
lines1 = lines[:, 0, :]  # 提取為二維
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)  # 畫出外圓
    # cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3)  # 畫出圓心

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

完整程式碼

# -*- coding: UTF-8 -*-
import cv2
import numpy as np
 
# 1.載入圖片，轉為二值圖
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 由於Canny只能處理灰度圖，所以將讀取的影象轉成灰度圖。
cv2.imshow('gray', gray)
gray = cv2.GaussianBlur(gray, (3, 3), 0)  # 用高斯平滑處理原影象降噪。
cv2.imshow('Gaussian smoothing', gray)
 
edges = cv2.Canny(gray, 70, 220)
cv2.imshow('edges', edges)
 
# 2.1.霍夫直線變換
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image： 必須是二值影象，推薦使用canny邊緣檢測的結果影象
rho: 線段以畫素為單位的距離精度，推薦用1.0 
theta： 線段以弧度為單位的角度精度，推薦用numpy.pi/180 
minLineLength：表示直線長度的閾值，超過設定閾值才被檢測出線段，值越大，基本上意味著檢出的線段越長，檢出的線段個數越少
MaxLineGap：同一方向上兩條線段判定為一條線段的最大允許間隔（斷裂），小於了設定值，則把兩條線段當成一條線段
返回值為直線的起點和終點。
'''
 
# 2.2.霍夫圓變換
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))
 
# 3.將檢測到的畫出來
lines1 = lines[:, 0, :]  # 提取為二維
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)  # 畫出外圓
    # cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3)  # 畫出圓心
 
cv2.imshow('Result', img)
cv2.waitKey(0)
 

Hough引數詳解

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

其返回N個圓的資訊儲存在1×N×的ndarray。

image 不用多說，輸入矩陣
method cv2.HOUGH_GRADIENT 也就是霍夫圓檢測，梯度法
dp 計數器的解析度影象畫素解析度與引數空間解析度的比值（官方文件上寫的是影象解析度與累加器解析度的比值，它把引數空間認為是一個累加器，畢竟裡面儲存的都是經過的畫素點的數量），dp=1，則引數空間與影象畫素空間（解析度）一樣大，dp=2，引數空間的解析度只有畫素空間的一半大
minDist 圓心之間最小距離，如果距離太小，會產生很多相交的圓，如果距離太大，則會漏掉正確的圓
param1 canny檢測的雙閾值中的高閾值，低閾值是它的一半（如果你的圓找不到，可以將該引數變小點）
param2 最小投票數（基於圓心的投票數）
minRadius 需要檢測院的最小半徑
maxRadius 需要檢測院的最大半徑

總結

我對hough變換的理解：你的圓一定要非常明顯，通過影象處理的方式將圓的邊界變得足夠清晰，然後使用hough變換才有效。

參考

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

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