【python+opencv】直线检测+圆检测

 Python+OpenCV图像处理—— 直线检测

直线检测理论知识：

1.霍夫变换(Hough Transform) 霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线(线段)。

2.Hough变换的原理是将特定图形上的点变换到一组参数空间上，根据参数空间点的累计结果找到一个极大值对应的解，那么这个解就对应着要寻找的几何形状的参数（比如说直线，那么就会得到直线的斜率k与常熟b，圆就会得到圆心与半径等等）

3.霍夫线变换是一种用来寻找直线的方法。用霍夫线变换之前, 首先需要对图像进行边缘检测的处理，也即霍夫线变换的直接输入只能是边缘二值图像。

4.霍夫直线检测的具体原理参见：

https://blog.csdn.net/ycj9090900/article/details/52944708

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/hough_lines/hough_lines.html

http://lib.csdn.net/article/opencv/24201

#标准霍夫线变换
def line_detection():
    image = cv.imread('line_detective.jpg')
    cv.imshow('input_line_demo', image)
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
    edges = cv.Canny(gray, 50, 150, apertureSize=3)  #apertureSize参数默认其实就是3
    cv.imshow("edges", edges)
    lines = cv.HoughLines(edges, 1, np.pi/180, 80)
    for line in lines:
        rho, theta = line[0]  #line[0]存储的是点到直线的极径和极角，其中极角是弧度表示的。
        a = np.cos(theta)   #theta是弧度
        b = np.sin(theta)
        x0 = a * rho    #代表x = r * cos（theta）
        y0 = b * rho    #代表y = r * sin（theta）
        x1 = int(x0 + 1000 * (-b)) #计算直线起点横坐标
        y1 = int(y0 + 1000 * a)    #计算起始起点纵坐标
        x2 = int(x0 - 1000 * (-b)) #计算直线终点横坐标
        y2 = int(y0 - 1000 * a)    #计算直线终点纵坐标    注：这里的数值1000给出了画出的线段长度范围大小，数值越小，画出的线段越短，数值越大，画出的线段越长
        cv.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)    #点的坐标必须是元组，不能是列表。
    cv.imshow("image-lines", image)

#统计概率霍夫线变换
def line_detect_possible_demo():
    image = cv.imread('line_detective.jpg')
    cv.imshow('input_line_possible_demo',image)
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
    edges = cv.Canny(gray, 50, 150, apertureSize=3)  # apertureSize参数默认其实就是3
    lines = cv.HoughLinesP(edges, 1, np.pi / 180, 60, minLineLength=60, maxLineGap=5)
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv.line(image, (x1, y1), (x2, y2), (255, 0, 0), 3)
    cv.imshow("line_detect_possible_demo",image)

注意：

1.opencv的HoughLines函数是标准霍夫线变换函数，该函数的功能是通过一组参数对  的集合来表示检测到的直线，

其函数原型为：HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]]) -> lines

image参数表示边缘检测cv.Canny()的输出图像，该图像为单通道8位二进制图像。

rho参数表示参数极径  以像素值为单位的分辨率，这里一般使用1像素。

theta参数表示参数极角  以弧度为单位的分辨率，这里使用1度。

threshold参数表示检测一条直线所需最少的曲线交点。

lines参数表示储存着检测到的直线的参数对  的容器 。

srn参数、stn参数默认都为0。如果srn = 0且stn = 0，则使用经典的Hough变换。

min_theta参数表示对于标准和多尺度Hough变换，检查线条的最小角度。

max_theta参数表示对于标准和多尺度Hough变换，检查线条的最大角度。

2.opencv的HoughLinesP函数是统计概率霍夫线变换函数，该函数能输出检测到的直线的端点 ，

其函数原型为：HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]) -> lines

image参数表示边缘检测的输出图像，该图像为单通道8位二进制图像。

rho参数表示参数极径  以像素值为单位的分辨率，这里一般使用 1 像素。

theta参数表示参数极角  以弧度为单位的分辨率，这里使用 1度。

threshold参数表示检测一条直线所需最少的曲线交点。

lines参数表示储存着检测到的直线的参数对  的容器，也就是线段两个端点的坐标。

minLineLength参数表示能组成一条直线的最少点的数量，点数量不足的直线将被抛弃。

maxLineGap参数表示能被认为在一条直线上的亮点的最大距离。

 Python+OpenCV图像处理——圆检测

圆检测理论知识：

1.霍夫圆变换的基本原理和霍夫线变换原理类似，只是点对应的二维极径、极角空间被三维的圆心和半径空间取代。

在标准霍夫圆变换中，原图像的边缘图像的任意点对应的经过这个点的所有可能圆在三维空间用圆心和半径这三个参数来表示，其对应一条三维空间的曲线。

对于多个边缘点，点越多，这些点对应的三维空间曲线交于一点的数量越多，那么他们经过的共同圆上的点就越多，类似的我们也就可以用同样的阈值的方法来判断一个圆是否被检测到，

这就是标准霍夫圆变换的原理， 但也正是在三维空间的计算量大大增加的原因，标准霍夫圆变化很难被应用到实际中。

2.OpenCV实现的是一个比标准霍夫圆变换更为灵活的检测方法——霍夫梯度法，该方法运算量相对于标准霍夫圆变换大大减少。

其检测原理是依据圆心一定是在圆上的每个点的模向量上，这些圆上点模向量的交点就是圆心，霍夫梯度法的第一步就是找到这些圆心，这样三维的累加平面就又转化为二维累加平面。

第二步是根据所有候选中心的边缘非0像素对其的支持程度来确定半径。注：模向量即是圆上点的切线的垂直线。

霍夫圆检测原理参考：

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/hough_circle/hough_circle.html

https://blog.csdn.net/dcrmg/article/details/52506538

http://www.cnblogs.com/FHC1994/p/9386783.html

def Detect_Circle_demo():
    image = cv.imread('circle1.jpg')
    #pyrMeanShiftFiltering(src, sp, sr[, dst[, maxLevel[, termcrit]]]) -> dst
    #霍夫圆检测对噪声比较敏感，必须去噪（可以使用边缘保留滤波或高斯滤波）
    dst = cv.pyrMeanShiftFiltering(image,10,100)
    # dst = cv.GaussianBlur(image,(3,3),1)
    cv.imshow('dst',dst)
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    circles = cv.HoughCircles(gray,cv.HOUGH_GRADIENT,1,20,param1=50,param2=30,minRadius=0,maxRadius=0)
    circles = np.uint16(np.around(circles))
    for i in circles[0 , : ]:
        cv.circle(image,(i[0],i[1]),i[2],(0,0,255),2)       #画圆
        cv.circle(image,(i[0],i[1]),2,(255,0,0),2)      #画圆心

    cv.imshow('Detect_Circle_demo',image)

注意：

1.OpenCV的霍夫圆变换函数原型为：HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles

image参数表示8位单通道灰度输入图像矩阵。

method参数表示圆检测方法，目前唯一实现的方法是HOUGH_GRADIENT（霍夫梯度）。

dp参数表示累加器与原始图像相比的分辨率的反比参数。

例如，如果dp = 1，则累加器具有与输入图像相同的分辨率。

如果dp=2，累加器分辨率是元素图像的一半，宽度和高度也缩减为原来的一半。

minDist参数表示检测到的两个圆心之间的最小距离。如果参数太小，除了真实的一个圆圈之外，可能错误地检测到多个相邻的圆圈。如果太大，可能会遗漏一些圆圈。

circles参数表示检测到的圆的输出向量，向量内第一个元素是圆的横坐标，第二个是纵坐标，第三个是半径大小。

param1参数表示Canny边缘检测的高阈值，低阈值会被自动置为高阈值的一半。

param2参数表示圆心检测的累加阈值，参数值越小，可以检测越多的假圆圈，但返回的是与较大累加器值对应的圆圈。

minRadius参数表示检测到的圆的最小半径。

maxRadius参数表示检测到的圆的最大半径。

2.OpenCV画圆的circle函数原型：circle(img, center, radius, color[, thickness[, lineType[, shift]]]) -> img

img参数表示源图像。

center参数表示圆心坐标。

radius参数表示圆的半径。

color参数表示设定圆的颜色。

thickness参数：如果是正数，表示圆轮廓的粗细程度。如果是负数，表示要绘制实心圆。

lineType参数表示圆线条的类型。

shift参数表示圆心坐标和半径值中的小数位数。