机器视觉学习-day18-霍夫变换

前面的方法是标准霍夫变换，计算的点多，计算量大，得到的直线无法推出原图中直线的端点，因此OpenCV提供了统计概率霍夫直线变换。

统计概率霍夫直线变换是一种改进的霍夫变换，它获得直线之后，会检测原图中直线的点，找到两个端点的坐标，并通过坐标来计算直线的长度，与阈值对比，判断是否保留。

在虚拟仿真实验中，相关参数如下：

代码实践：

import cv2  # 导入OpenCV库，用于计算机视觉任务
import numpy as np  # 导入NumPy库，用于数值计算和数组操作

if __name__ == '__main__':  # Python的主程序入口，确保代码只在直接运行时执行
    # 1. 图片输入
    path = '1.jpg'  # 定义图片路径
    image_np = cv2.imread(path)  # 读取图片，返回一个NumPy数组表示的图像

    # 2. 灰度化
    image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)  # 将彩色图像转换为灰度图像
    # 灰度化可以减少计算量，同时保留图像的主要结构信息

    # 3. Canny算法
    image_edges = cv2.Canny(image_np_gray, 30, 70)  # 使用Canny算法检测图像边缘
    # Canny算法基于梯度计算，能够很好地检测图像中的边缘

    # 4. 霍夫变换
    drawing = np.zeros(image_np.shape, dtype=np.uint8)  # 创建一个与原始图像相同大小的黑色画布
    # 霍夫直线变换（概率霍夫变换）
    lines = cv2.HoughLinesP(
        image_edges,  # 边缘检测之后的图像
        1,  # ρ的精度（单位：像素）
        np.pi / 180,  # θ的精度（单位：弧度）
        80,  # 累加器阈值（只有得票数超过此值的直线才会被检测到）
        minLineLength=50,  # 最短直线长度（小于此长度的线段会被忽略）
        maxLineGap=10  # 最大线段间隙（小于此间隙的线段会被连接成一条直线）
    )
    print(lines)  # 打印检测到的直线端点坐标

    # 5. 图片输出
    for line in lines:  # 遍历所有检测到的直线
        x1, y1, x2, y2 = line[0]  # 解包直线起点和终点坐标

        # 画线
        cv2.line(
            drawing,  # 目标图像
            (x1, y1),  # 起点坐标
            (x2, y2),  # 终点坐标
            (0, 0, 255),  # 颜色（红色）
            1,  # 线宽
            lineType=cv2.LINE_AA  # 抗锯齿线型，使线条更平滑
        )

    # 显示原始图像和检测到的直线
    cv2.imshow('image_np', image_np)  # 显示原始图像
    cv2.imshow('drawing', drawing)  # 显示带检测直线的图像
    cv2.imwrite('drawing_2.jpg', drawing)  # 保存带检测直线的图像
    cv2.waitKey(0)  # 等待按键，0表示无限等待

"""
函数详细说明
cv2.imread(): 读取图像文件
参数: 文件路径
返回值: 图像数据的三维数组(BGR格式)
注意: 如果图像不存在，返回None

cv2.cvtColor(): 颜色空间转换
    参数1: 输入图像
    参数2: 转换类型(如COLOR_BGR2GRAY表示BGR转灰度)
    返回值: 转换后的图像

cv2.Canny(): Canny边缘检测算法
    参数1: 输入图像(灰度图)
    参数2: 低阈值
    参数3: 高阈值
    返回值: 边缘图像(二值图像，边缘为白色，背景为黑色)
    原理: 基于梯度计算，使用双阈值检测边缘

cv2.HoughLinesP(): 概率霍夫直线变换
    参数1: 输入图像(二值图像，通常是边缘检测结果)
    参数2: ρ的精度(单位:像素)
    参数3: θ的精度(单位:弧度)
    参数4: 累加器阈值(只有得票数超过此值的直线才会被检测到)
    参数5: minLineLength - 最短直线长度
    参数6: maxLineGap - 最大线段间隙
    返回值: 检测到的直线列表，每条直线表示为[x1, y1, x2, y2]（起点和终点坐标）
    与标准霍夫变换的区别: 概率霍夫变换直接返回线段的端点，而不是ρ和θ参数

cv2.line(): 在图像上画直线
    参数1: 目标图像
    参数2: 起点坐标
    参数3: 终点坐标
    参数4: 颜色(B,G,R)
    参数5: 线宽
    参数6: 线型(如LINE_AA表示抗锯齿)

cv2.imshow(): 显示图像
    参数1: 窗口名称
    参数2: 要显示的图像

cv2.imwrite(): 保存图像到文件
    参数1: 文件路径
    参数2: 要保存的图像

cv2.waitKey(): 等待键盘输入
    参数: 等待时间(毫秒)，0表示无限等待
    返回值: 按键的ASCII码
"""

代码运行结果：drawing_2.jpg

3 霍夫圆变换

import cv2  # 导入OpenCV库，用于计算机视觉任务
import numpy as np  # 导入NumPy库，用于数值计算和数组操作

if __name__ == '__main__':  # Python的主程序入口，确保代码只在直接运行时执行
    # 1. 图片输入
    path = '1.jpg'  # 定义图片路径
    image_np = cv2.imread(path)  # 读取图片，返回一个NumPy数组表示的图像

    # 2. 灰度化
    image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)  # 将彩色图像转换为灰度图像
    # 灰度化可以减少计算量，同时保留图像的主要结构信息

    # 3. Canny算法
    image_edges = cv2.Canny(image_np_gray, 30, 70)  # 使用Canny算法检测图像边缘
    # Canny算法基于梯度计算，能够很好地检测图像中的边缘

    # 4. 霍夫变换（圆检测）
    drawing = np.zeros(image_np.shape, dtype=np.uint8)  # 创建一个与原始图像相同大小的黑色画布
    # 霍夫圆变换
    circles = cv2.HoughCircles(
        image_edges,  # 边缘检测之后的图像
        cv2.HOUGH_GRADIENT,  # 检测方法：霍夫梯度法
        1,  # dp：累加器分辨率与图像分辨率的反比，1表示相同分辨率
        20,  # 最小圆心距离（圆心之间的最小距离，小于此距离的圆会被合并）
        param2=30  # 累加器投票阈值（只有得票数超过此值的圆才会被检测到）
    )
    print(circles)  # 打印检测到的圆参数（圆心坐标和半径）

    # 如果有数据
    if circles is not None:  # 检查是否检测到圆
        # 5. 图片输出
        for circle in circles[0]:  # 遍历所有检测到的圆
            print(circle)  # 打印圆的参数（x坐标, y坐标, 半径）

            # 画圆
            cv2.circle(
                drawing,  # 目标图像
                (int(circle[0]), int(circle[1])),  # 圆心坐标
                int(circle[2]),  # 半径
                (0, 0, 255),  # 颜色（红色）
                2,  # 线宽
                lineType=cv2.LINE_AA  # 抗锯齿线型，使线条更平滑
            )

            # 画圆心
            cv2.circle(
                drawing,  # 目标图像
                (int(circle[0]), int(circle[1])),  # 圆心坐标
                2,  # 半径很小，表示一个点
                (0, 0, 255),  # 颜色（红色）
                2,  # 线宽
                lineType=cv2.LINE_AA  # 抗锯齿线型
            )

    # 5. 图像输出
    cv2.imshow('image_np', image_np)  # 显示原始图像
    cv2.imshow('drawing', drawing)  # 显示带检测圆的图像
    cv2.imwrite('drawing_3.jpg', drawing)  # 保存带检测圆的图像
    cv2.waitKey(0)  # 等待按键，0表示无限等待

拓展：

什么是梯度？
在图像处理中，梯度表示图像强度变化的方向和幅度。它可以理解为图像中每个像素点的"坡度"或"变化率"。

梯度的数学表示
对于二维图像函数f(x,y)，在点(x,y)处的梯度是一个向量：
∇f = [∂f/∂x, ∂f/∂y]

这个向量的：

方向：指向图像强度增加最快的方向

幅度：表示变化的强度，计算公式为：|∇f| = √((∂f/∂x)² + (∂f/∂y)²)

在图像处理中的实际计算
在实际图像处理中，我们使用离散近似来计算梯度。常用的方法是使用Sobel算子：

x方向梯度：Gx = ∂f/∂x ≈ f(x+1,y) - f(x-1,y)

y方向梯度：Gy = ∂f/∂y ≈ f(x,y+1) - f(x,y-1)

Sobel算子使用卷积核来实现这些计算：

x方向Sobel核: [[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]

y方向Sobel核: [[-1, -2, -1], [0, 0, 0], [1, 2, 1]]

梯度在图像处理中的应用
边缘检测：边缘通常对应于梯度幅度较大的区域

Canny算法就是基于梯度计算来检测边缘的

在代码中，cv2.Canny()函数内部就使用了梯度计算

特征提取：梯度信息可以用于描述图像纹理和形状特征

图像增强：通过梯度信息可以增强图像的边缘和细节

霍夫变换：霍夫变换利用梯度方向信息来高效地检测直线

梯度方向的重要性
梯度方向指示了图像强度变化最快的方向。在边缘检测中：

垂直于边缘的方向是梯度方向

沿着边缘的方向是梯度方向的垂直方向

在霍夫变换中，我们不仅关心边缘的存在(梯度幅度)，还关心边缘的方向(梯度方向)。这有助于我们更准确地检测直线。

实际例子：Canny边缘检测中的梯度使用
在代码中的cv2.Canny(image_np_gray, 30, 70)调用中，Canny算法内部执行以下步骤：

使用高斯滤波器平滑图像，减少噪声

使用Sobel算子计算x和y方向的梯度

计算梯度幅度和方向

应用非极大值抑制：只保留梯度方向上幅度最大的像素

使用双阈值(30和70)检测和连接边缘：

高于高阈值(70)的像素被认为是强边缘

介于低阈值(30)和高阈值之间的像素被认为是弱边缘

强边缘直接保留，弱边缘只有在连接到强边缘时才保留

对于初学者来说，理解梯度是理解许多高级图像处理算法的基础。它提供了图像局部变化的信息，是边缘检测、角点检测等任务的基石。通过这个代码示例，你可以看到梯度计算如何应用于实际的图像处理任务中。