1 什么是霍夫变换

霍夫变换是用于检测图像中的简单形状（诸如圆形，线条等）的特征提取方法。“简单”形状是可以仅由几个参数表示的形状。例如，一条线可以用两个参数（斜率，截距）表示，一个圆有三个参数：中心坐标和半径（x，y，r）。霍夫变换在图像中找到这样的形状方面做得很好。使用Hough变换的主要优点是它对遮挡不敏感。让我们通过一个例子来看看霍夫变换是如何工作的。

1.1 应用霍夫变换以检测图像中的线条

极坐标中的线条方程如下：

这里

表示线与原点的垂直距离（以像素为单位），

是以弧度为单位测量的角度，如下图所示。

您可能会想问我们为什么不使用下面给出的熟悉的等式：

原因是斜率m可以取-

到+

之间的值。对于Hough变换，参数需要有界限。您可能还有一个后续问题。在

形式上，

是有界的，但是

能取0到+

之间的值吗？这在理论上可能是正确的，但在实践中，

也是有限的，因为图像本身是有限的。

1.2 累加器

当我们说二维空间中的一条线用参数化

和

表达时，意味着如果我们选择一个

，它就对应一条线。想象一个二维数组，想象一个二维数组，其中x轴具有所有可能的

值，y轴具有所有可能的

值。该2D阵列中的任何点坐标对应于一条线。

这个2D数组称为累加器，因为我们将使用此数组的bin来收集有关图像中存在哪些线条的信息。左上角的单元格对应于（-R，0），右下角对应于（R，

）。稍后我们将看到bin（

，

）内的值随着参数

和

而改变。

1.3 线条检测

执行以下步骤以检测图像中的线。

首先，我们需要创建一个累加器数组。您选择的单元格数量是一个设计决策。假设您选择了10×10累加器。这意味着和获取10个不同的值。因此您将能够检测100种完全不同的线条。累加器的大小也取决于图像的分辨率。但如果你刚刚开始，不要担心完全正确。选择一个20×20的数字，看看你得到了什么结果。
检测边缘

现在我们已经设置了累加器，我们希望收集累加器的每个单元的信息，因为累加器的每个单元对应于一行。我们如何通过获取单元的信息，如果图像中有一条可见的线，边缘检测器应该在这条线的边界检测到边缘像素点。这些边缘像素为线条的存在提供了证据。边缘检测的输出是边缘像素的阵列

边缘像素投票

对于上述数组中的每个边缘像素（x，y），我们改变

从0到

的值，并根据线条极坐标公式计算

。我们改变三个像素点的

（由三条彩色曲线表示），并获得对应

的值。如下图所示。下图中三条线代表三个像素点不同

和

的取值，其中横坐标为

值，纵坐标为

值（r值）。如果三个点在一条直线上，那么三个点的

和

曲线就会相交于一点。

通常，我们有数百个边缘像素，越多的曲线交于一点就意味着这个交点表示的直线由更多的点组成，通过累加器统计交于一点的曲线数，并设定阈值来决定是否检测到一条直线。

更多霍夫曼变换说明见：

在OpenCV中，使用Hough变换的线检测在函数HoughLines和HoughLinesP中实现。此函数采用以下参数： -

edge

：边缘检测器的输出(灰度图)。-

lines

：用于存储行开头和结尾坐标的向量。-

rho：图像单位

分辨率参数，

以像素为单位。我们选择2像素点-

theta

：

以弧度表示的参数单位分辨率。我们选择2度-

阈值

：检测线的最小交叉点数。下面我们展示了使用霍夫变换进行线检测的结果。请记住，检测到的线条的质量在很大程度上取决于边缘图的质量。因此，在现实世界中，当您可以控制环境并因此获得一致的边缘图时，或者当您可以为您正在寻找的特定类型的边缘训练边缘检测器时，使用Hough变换。

1.4 圆环的检测

在线Hough变换的情况下，我们需要两个参数，（

，

）但是为了检测圆，我们需要三个参数 -

圆心的坐标。- 半径。可以想象，圆形探测器需要一个3D累加器，每个参数一个。

圆的方程由下式给出：

按照以下步骤检测图像中的圆圈：

1.借助边缘检测器（Canny）找到给定图像中的边缘。

2.为了检测图像中的圆，我们设置半径的最大值和最小值的阈值。

3.信息收集在3D累加器阵列中，以确定是否存在具有不同中心和半径的圆。

在OpenCV中使用HoughCircles函数来检测图像中的圆圈。它需要以下参数：

image：输入图像。

methods：检测方法。

dp：累加器分辨率和图像分辨率的反比。

mindst：检测到圆圈的中心之间的最小距离。

param_1和param_2：这些是特定于方法的参数。

min_Radius：要检测的圆的最小半径（以像素为单位）。

max_Radius：要检测的最大半径（以像素为单位）。

使用Hough变换的圆检测结果如下所示。结果的质量在很大程度上取决于您可以找到的边缘质量，以及您对要检测的圆的大小有多少先验知识。

2 代码

所有代码见：

线条检测：

C++:

#include "pch.h"
#include opencv2/opencv.hpp
#include stdio.h
#include iostream

using namespace cv;
using namespace std;

// variables to store images
Mat dst, cimg, gray, img, edges;

int initThresh;
const int maxThresh = 1000;
double th1, th2;

// create a vector to store points of line
vectorVec4i lines;

void onTrackbarChange(int, void*)
{
    //复制目标图像
    cimg = img.clone();
    //结果图像
    dst = img.clone();

    th1 = initThresh;
    th2 = th1 * 0.4;
    //canny边缘检测
    Canny(img, edges, th1, th2);

    // apply hough line transform 霍夫曼变换
    HoughLinesP(edges, lines, 2, CV_PI / 180, 50, 10, 100);

    // draw lines on the detected points 画线
    for (size_t i = 0; i  lines.size(); i++)
    {
        //提取线条坐标点
        Vec4i l = lines[i];
        line(dst, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0, 0, 255), 1, LINE_AA);
    }

    // show the resultant image
    imshow("Result Image", dst);
    imshow("Edges", edges);
}

int main()
{
    // Read image (color mode) 读图
    img = imread("./image/lanes.jpg", 1);
    dst = img.clone();

    if (img.empty())
    {
        cout  "Error in reading image"  endl;
        return -1;
    }

    // Convert to gray-scale 转换为灰度图像
    cvtColor(img, gray, COLOR_BGR2GRAY);

    // Detect edges using Canny Edge Detector
    // Canny(gray, dst, 50, 200, 3);

    // Make a copy of original image
    // cimg = img.clone();

    // Will hold the results of the detection
    namedWindow("Edges", 1);
    namedWindow("Result Image", 1);

    // Declare thresh to vary the max_radius of circles to be detected in hough transform
    // 霍夫曼变换阈值
    initThresh = 500;

    // Create trackbar to change threshold values
    //滑动条
    createTrackbar("threshold", "Result Image", initThresh, maxThresh, onTrackbarChange);
    onTrackbarChange(initThresh, 0);

    while (true)
    {
        int key;
        key = waitKey(1);
        if ((char)key == 27)
        {
            break;
        }
    }
    destroyAllWindows();
    return 0;
}

Python:

import cv2
import numpy as np

def onTrackbarChange(max_slider):
    global img
    global dst
    global gray

    dst = np.copy(img)

    th1 = max_slider
    th2 = th1 * 0.4
    edges = cv2.Canny(img, th1, th2)

    # Apply probabilistic hough line transform
    lines = cv2.HoughLinesP(edges, 2, np.pi/180.0, 50, minLineLength=10, maxLineGap=100)

    # Draw lines on the detected points
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(dst, (x1, y1), (x2, y2), (0,0,255), 1)

    cv2.imshow("Result Image", dst)
    cv2.imshow("Edges",edges)

if __name__ == "__main__":

    # Read image
    img = cv2.imread('./image/lanes.jpg')

    # Create a copy for later usage
    dst = np.copy(img)

    # Convert image to gray
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # Create display windows
    cv2.namedWindow("Edges")
    cv2.namedWindow("Result Image")

    # Initialize threshold value
    initThresh = 500

    # Maximum threshold value
    maxThresh = 1000

    cv2.createTrackbar("threshold", "Result Image", initThresh, maxThresh, onTrackbarChange)
    onTrackbarChange(initThresh)

    while True:
        key = cv2.waitKey(1)
        if key == 27:
            break

    cv2.destroyAllWindows()

圆环检测：