本文主要是介绍【Opencv】Hough变换找直线和圆,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
目录
题目
解决方法
完整代码
Hough参数详解
总结
参考
题目
用霍夫变换找出图像中的直线和圆(用彩色直线和圆标记在原图上)。要求有代码,有注释,有过程、有结果
解决方法
# -*- coding: UTF-8 -*-
import cv2
import numpy as np
# 1.加载图片,转为二值图
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 由于Canny只能处理灰度图,所以将读取的图像转成灰度图。
cv2.imshow('gray', gray)
gray = cv2.GaussianBlur(gray, (3, 3), 0) # 用高斯平滑处理原图像降噪。
cv2.imshow('Gaussian smoothing', gray)
edges = cv2.Canny(gray, 70, 220)
cv2.imshow('edges', edges)
# 2.1.霍夫直线变换
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image: 必须是二值图像,推荐使用canny边缘检测的结果图像
rho: 线段以像素为单位的距离精度,推荐用1.0
theta: 线段以弧度为单位的角度精度,推荐用numpy.pi/180
minLineLength:表示直线长度的阈值,超过设定阈值才被检测出线段,值越大,基本上意味着检出的线段越长,检出的线段个数越少
MaxLineGap:同一方向上两条线段判定为一条线段的最大允许间隔(断裂),小于了设定值,则把两条线段当成一条线段返回值为直线的起点和终点。
'''# 2.2.霍夫圆变换
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))# 3.将检测到的画出来
lines1 = lines[:, 0, :] # 提取为二维
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) # 画出外圆# cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3) # 画出圆心cv2.imshow('Result', img)
cv2.waitKey(0)
完整代码
# -*- coding: UTF-8 -*-
import cv2
import numpy as np# 1.加载图片,转为二值图
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 由于Canny只能处理灰度图,所以将读取的图像转成灰度图。
cv2.imshow('gray', gray)
gray = cv2.GaussianBlur(gray, (3, 3), 0) # 用高斯平滑处理原图像降噪。
cv2.imshow('Gaussian smoothing', gray)edges = cv2.Canny(gray, 70, 220)
cv2.imshow('edges', edges)# 2.1.霍夫直线变换
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 25, minLineLength=19, maxLineGap=17)
'''
image: 必须是二值图像,推荐使用canny边缘检测的结果图像
rho: 线段以像素为单位的距离精度,推荐用1.0
theta: 线段以弧度为单位的角度精度,推荐用numpy.pi/180
minLineLength:表示直线长度的阈值,超过设定阈值才被检测出线段,值越大,基本上意味着检出的线段越长,检出的线段个数越少
MaxLineGap:同一方向上两条线段判定为一条线段的最大允许间隔(断裂),小于了设定值,则把两条线段当成一条线段
返回值为直线的起点和终点。
'''# 2.2.霍夫圆变换
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int0(np.around(circles))# 3.将检测到的画出来
lines1 = lines[:, 0, :] # 提取为二维
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) # 画出外圆# cv2.circle(img, (i[0], i[1]), 2, (0, 255, 0), 3) # 画出圆心cv2.imshow('Result', img)
cv2.waitKey(0)
Hough参数详解
cv2.HoughCircles(image,method,dp,minDist[, circles[,param1, param2[,minRadius[,maxRadius]]]]])
其返回N个圆的信息储存在1×N×的ndarray。
image 不用多说,输入矩阵
method cv2.HOUGH_GRADIENT 也就是霍夫圆检测,梯度法
dp 计数器的分辨率图像像素分辨率与参数空间分辨率的比值(官方文档上写的是图像分辨率与累加器分辨率的比值,它把参数空间认为是一个累加器,毕竟里面存储的都是经过的像素点的数量),dp=1,则参数空间与图像像素空间(分辨率)一样大,dp=2,参数空间的分辨率只有像素空间的一半大
minDist 圆心之间最小距离,如果距离太小,会产生很多相交的圆,如果距离太大,则会漏掉正确的圆
param1 canny检测的双阈值中的高阈值,低阈值是它的一半(如果你的圆找不到,可以将该参数变小点)
param2 最小投票数(基于圆心的投票数)
minRadius 需要检测院的最小半径
maxRadius 需要检测院的最大半径
总结
我对hough变换的理解:你的圆一定要非常明显,通过图像处理的方式将圆的边界变得足够清晰,然后使用hough变换才有效。
参考
https://blog.csdn.net/zuliang001/article/details/81607548
https://blog.csdn.net/dz4543/article/details/80699431
这篇关于【Opencv】Hough变换找直线和圆的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!