什么是霍夫變換
霍夫變換是一種在圖像中尋找直線瘦赫，圓形以及其他簡單形狀的方法。霍夫變換采用類似于投票的方式來獲取當(dāng)前圖像內(nèi)的形狀集合刃永，該變換由Paul Hough（霍夫）于1962年首次提出。
最初的霍夫變換只能用于檢測直線羊精，經(jīng)過發(fā)展后斯够，霍夫變換不僅能夠識別直線，還能識別其他簡單的圖形結(jié)構(gòu)喧锦，常見的有圓形读规，橢圓等。
HoughLines函數(shù)
在OpenCV中燃少，它給我們提供了cv2.HoughLines()函數(shù)來實現(xiàn)霍夫直線變換束亏，該函數(shù)要求所有操作的原圖是一個二值圖像，所以在進行霍夫變換之前供汛，需要將圖像進行二值化處理枪汪。或者進行Canny邊緣檢測怔昨。
其完整定義如下：
def HoughLines(image, rho, theta, threshold, lines=None, srn=None, stn=None, min_theta=None, max_theta=None):
image：原始圖形雀久，必須是8位單通道的二值圖像
rho：以像素為單位的距離r的精度。一般情況下趁舀，使用的精度是1
theta：為角度θ的精度赖捌。一般情況下，使用的精度是Π/180矮烹，表示要搜索所有可能的角度
threshold：閾值越庇。該值越小，判定出直線就越多奉狈。識別直線時卤唉，要判定多少個點位于該直線上。在判定直線是否存在時仁期，對直線所穿過的點的數(shù)量進行評估桑驱，如果直線所穿過的點的數(shù)量小于閾值，則認(rèn)為這些點恰好在算法構(gòu)成直線跛蛋，但是在原始圖像中該直線并不存在熬的；如果大于閾值，則認(rèn)為直線存在赊级。所以押框，如果閾值越小，就會得到較多的直線理逊；閾值越大橡伞，就會得到較少的直線
lines：返回值盒揉，它的每個元素都是一對浮點數(shù)，表示檢測到的直線的參數(shù)兑徘，即（r,θ）预烙。是numpy.ndarray類型。
HoughLines實戰(zhàn)
了解了函數(shù)常用的參數(shù)之后道媚。下面扁掸，我們通過一個棋盤來進行霍夫變換。代碼如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("35.jpg")
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)
lines = cv2.HoughLines(edges, 1, np.pi / 180, 140)
for line in lines:
rho, theta = line[0]
a = np.cos(theta)
b = np.sin(theta)
x0 = a * rho
y0 = b * rho
x1 = int(x0 + 1000 * (-b))
y1 = int(y0 + 1000 * (a))
x2 = int(x0 - 1000 * (-b))
y2 = int(y0 - 1000 * (a))
cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
plt.subplot(122)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.show()
運行之后最域，效果如下：
HoughLinesP實戰(zhàn)
使用HoughLines雖然可以完成霍夫變換谴分，但其本身存在非常嚴(yán)重的誤檢測。為了解決這個問題镀脂，OpenCV加入了概率霍夫變換函數(shù)cv2.HoughLinesP()函數(shù)牺蹄。
其完整定義如下：
def HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None):
image：原始圖像，比如為8位單通道二值圖像
rho：同上
theta：同上
threshold：同上
lines：同上
minLineLength：用來控制”接受直線的最小長度“的值薄翅。默認(rèn)值為0
maxLineGap：用來控制接受共線線段之間的最小間隔沙兰，即在一條直線中兩點的最大間隔。如果兩點間的間隔超過了參數(shù)maxLineGap的值翘魄，就認(rèn)為這兩點不在一條直線上鼎天。默認(rèn)值為0
將上面的例子，使用HoughLinesP改進以下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("35.jpg")
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 10, 10)
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(img, (x1, y1), (x2, y2), (255, 0, 0), 5)
plt.subplot(122)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.show()
運行之后暑竟，效果如下：
可以看到斋射，這里我們通過函數(shù)HoughLinesP，將棋盤線完整的全標(biāo)記出來了但荤。
HoughCircles實戰(zhàn)
霍夫變換出來用來檢測直線外罗岖，我們還可以用來檢測其他的幾何對象。實際上腹躁，只要是能用一個方程式表示的對象桑包，都適合用霍夫變換來檢測。
其中纺非，我們就可以使用霍夫圓變換來檢測圖像中的圓哑了。這里我們只需要考慮圓心坐標(biāo)（x，y）與半徑r共3個參數(shù)铐炫。
在OpenCV中要經(jīng)過2個步驟：
- 找出可能存在圓的位置（圓心）
- 根據(jù)1計算半徑
在OpenCV中垒手，它給我們提供的霍夫圓變換函數(shù)為cv2.HoughCircle()蒜焊。該函數(shù)也是將Canny邊緣檢測與霍夫變換結(jié)合倒信，唯一的區(qū)別是，不要我們進行Canny邊緣檢測泳梆，該函數(shù)自動先進行Canny邊緣檢測鳖悠。
其完整定義如下：
def HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None):
image：原始圖像榜掌，8位單通道灰度圖像
method：檢測方法，HOUGH_GRADIENT是唯一可用的參數(shù)值乘综。該參數(shù)代表霍夫圓檢測中兩輪檢測所使用的方法
dp：累計器分辨率憎账，它是一個分割比例，用來指定圖像分辨率與圓心累加器分辨率的比例卡辰。例如胞皱，如果dp=1，則輸入圖像和累加器具有相同的分辨率
minDist：圓心間最小間距九妈。該值被作為閾值來使用反砌，如果存在圓心間距小于該值的多個圓，則僅有一個會被檢測出來萌朱。因此宴树，如果該值太小，則會有很多臨近的圓被檢測出來晶疼；如果該值很大酒贬，則可能會在檢測時漏掉很多圓
circles：返回值，有圓心坐標(biāo)和半徑構(gòu)成的numpy.ndarray類型翠霍。
param1：該參數(shù)缺省锭吨，默認(rèn)100。它對應(yīng)的是Canny邊緣檢測器的高閾值（低閾值是高閾值的二分之一）
param2：圓心位置必須受到的投票數(shù)寒匙。只有在第1論篩選的過程中耐齐，投票數(shù)超過該值的圓，才有資格進入第2輪的篩選蒋情。因此埠况，該值越大，檢測到的圓越少棵癣；該值越小辕翰，檢測到的圓越多。也是缺省值狈谊，默認(rèn)100
minRadius：圓半徑最小值喜命，小于該值的圓不會被檢測出來。也是缺省值河劝，默認(rèn)0壁榕，不起作用
maxRadius：圓半徑的最大值，大于該值的圓不會被檢測出來赎瞎。也是缺省值牌里，默認(rèn)0，不起作用
下面，我們來用一個奧運五環(huán)的照片牡辽，進行霍夫圓變換喳篇。代碼如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("35_1.jpg")
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 300, param1=50, param2=20,minRadius=0,maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0, :]:
cv2.circle(img, (i[0], i[1]), i[2], (255, 0, 0), 12)
cv2.circle(img, (i[0], i[1]), 2, (255, 0, 0), 12)
plt.subplot(122)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.show()
運行之后，效果如下：
