OpenCV-Python 霍夫变换 检测直线，圆形

一、直线表示

一条直线在图像二维空间可由两个变量表示

• 在 笛卡尔坐标系: 可由参数: ($m,b$) 斜率和截距表示.
• 在 极坐标系: 可由参数: ($r,\theta$) 极径和极角表示
• 对于霍夫变换, 我们将用 极坐标系 来表示直线. 因此, 直线的表达式可为下图：
  
• 一般来说对于点 ($x_0,y_0$), 我们可以将通过这个点的一族直线统一定义为:
  $$r_{\theta }=x_0\cdot cos\theta +y_0\cdot cos\theta$$
  这就意味着每一对 ($r_{\theta },\theta$) 代表一条通过点 ($x_0,y_0$) 的直线.

二、霍夫直线检测

Hough变换是经典的检测直线的算法。
用来检测图像中的直线，也可以用来检测图像中简单的结构。

OpenCV的中用函数 HoughLines(标准) 和 HoughLinesP(基于统计) 来检测图像中的直线.

• 基本的版本是cv2.HoughLines。其输入一幅含有点集的二值图（由非0像素表示），其中一些点互相联系组成直线。通常这是通过如Canny算子获得的一幅边缘图像。
• cv2.HoughLines()输出的是[float, float]形式的ndarray，
  检测到的线(ρ , θ)中浮点点值的参数。
• 下面的例子首先使用Canny算子获得图像边缘，然后使用Hough变换检测直线。其中HoughLines函数的参数3和4对应直线搜索的步长。
  在本例中：函数将通过步长为1的半径和步长为π/180的角来搜索所有可能的直线。最后一个参数是经过某一点曲线的数量的阈值，超过这个阈值，就表示这个交点所代表的参数对(ρ , θ)在原图像中为一条直线。

"""
cv2.HoughLines()
	dst:   输出图像. 它应该是个灰度图 (但事实上是个二值化图)
	lines: 储存着检测到的直线的参数对 (r,\theta) 的容器 
	rho : 参数极径 r 以像素值为单位的分辨率. 我们使用 1 像素.
	theta: 参数极角 \theta 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180)
	threshold:    设置阈值： 一条直线所需最少的的曲线交点
	srn and stn:  参数默认为0

cv2.HoughLinesP(dst, lines, 1, CV_PI/180, 50, 50, 10 )
	dst:    输出图像. 它应该是个灰度图 (但事实上是个二值化图) 
	lines:  储存着检测到的直线的参数对 (x_{start}, y_{start}, x_{end}, y_{end}) 的容器
	rho :   参数极径 r 以像素值为单位的分辨率. 我们使用 1 像素.
	theta:  参数极角 \theta 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180)
	threshold:    设置阈值： 一条直线所需最少的的曲线交点。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。
	minLinLength: 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:   能被认为在一条直线上的两点的最大距离。
"""
import cv2
import numpy as np  
 

original_img= cv2.imread("jianzhu.png", 0)
img = cv2.resize(original_img,None,fx=0.8, fy=0.8, 
                 interpolation = cv2.INTER_CUBIC)
 
img = cv2.GaussianBlur(img,(3,3),0)
edges = cv2.Canny(img, 50, 150, apertureSize = 3)
lines = cv2.HoughLines(edges,1,np.pi/180,118) #这里对最后一个参数使用了经验型的值
result = img.copy()
for line in lines:
	rho = line[0][0]  #第一个元素是距离rho
	theta= line[0][1] #第二个元素是角度theta
	print (rho)
	print (theta)
	if  (theta < (np.pi/4. )) or (theta > (3.*np.pi/4.0)): #垂直直线
		pt1 = (int(rho/np.cos(theta)),0)               #该直线与第一行的交点
		#该直线与最后一行的焦点
		pt2 = (int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0])
		cv2.line( result, pt1, pt2, (255))             # 绘制一条白线
	else:                                                  #水平直线
		pt1 = (0,int(rho/np.sin(theta)))               # 该直线与第一列的交点
		#该直线与最后一列的交点
		pt2 = (result.shape[1], int((rho-result.shape[1]*np.cos(theta))/np.sin(theta)))
		cv2.line(result, pt1, pt2, (255), 1)           # 绘制一条直线

cv2.imshow('Canny', edges )
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import numpy as np  
 
img = cv2.imread("jianzhu.png")
 
img = cv2.GaussianBlur(img,(3,3),0)
edges = cv2.Canny(img, 50, 150, apertureSize = 3)
lines = cv2.HoughLines(edges,1,np.pi/180,118)
result = img.copy()
 
#经验参数
minLineLength = 200
maxLineGap = 15
lines = cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[0]:
	cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)

cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、霍夫圆形检测

cv2.HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) → circles

参数说明:

image- 8位，单通道， 灰度输入图像。
circles- 找到的圆的输出向量。每个向量被编码为3元素的浮点向量 （x，y，半径）。
circle_storage - 在C函数中，这是一个将包含找到的圆的输出序列的内存存储。
method- 使用检测方法。目前，唯一实现的方法是 CV_HOUGH_GRADIENT，基本上是 21HT，在[Yuen90]中有描述 。
dp - 累加器分辨率与图像分辨率的反比。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，则累加器的宽度和高度都是一半。
minDist -检测到的 圆的中心之间的最小距离。如果参数太小，除了真正的参数外，可能会错误地检测到多个邻居圈。如果太大，可能会错过一些圈子。
param1 - 第一个方法特定的参数。在CV_HOUGH_GRADIENT的情况下， 两个传递给Canny（）边缘检测器的阈值较高（较小的两个小于两倍）。
param2 - 第二种方法参数。在CV_HOUGH_GRADIENT的情况下
，它是检测阶段的圆心的累加器阈值。越小，可能会检测到越多的虚假圈子。首先返回对应于较大累加器值的圈子。
minRadius -最小圆半径。
maxRadius - 最大圆半径。

我测试了一些图片，发现此方法只能检测图片背景干净一点的图片，我本来想检测印章的，可是纸张上有许多字，干扰严重，想了许多的办法（使用各种滤波等），但是效果还是不好，以下代码也是借鉴别人的。仅供参考。

import cv2
import numpy as np


def detect_circle_demo(image):
    # dst = cv2.bilateralFilter(src=image, d=0, sigmaColor=100, sigmaSpace=5) # 高斯双边滤波(慢)
    dst = cv2.pyrMeanShiftFiltering(image, 10, 100)                           # 均值偏移滤波（稍微快）
    dst = cv2.cvtColor(dst, cv2.COLOR_BGRA2GRAY)

    cv2.imshow("adapt_image", dst)
    circle = cv2.HoughCircles(dst, cv2.HOUGH_GRADIENT, 1, 200, param1=50, param2=30, minRadius=50, maxRadius=300)
    if not circle is None:
        circle = np.uint16(np.around(circle))
        print(circle)
        for i in circle[0, :]:
            cv2.circle(image, (i[0], i[1]), i[2], (0, 255, 0), 1)
            cv2.imshow("circle", image)


if __name__ == "__main__":
    src = cv2.imread("C:\\Users\\xxxx\\Desktop\\piaoju\\201920100013253001_30302_01.jpg")
    src = cv2.resize(src, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_CUBIC)

    detect_circle_demo(src)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

直接查找圆形

import  cv2


src = cv2.imread('C:\\Users\\SongpingWang\\Desktop\\piaoju\\xingqiu.png')
cv2.imshow('src_img',src)
gray=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

# 输出图像大小，方便根据图像大小调节minRadius和maxRadius
# 演示 minDist 的值对检测效果的影响
minDists = [100,125,150]
imgcopy = [src.copy(),src.copy(),src.copy()]
for minDist,imgcopy in zip(minDists,imgcopy):
    circles= cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,dp=1,minDist=minDist,param1=100,param2=30,minRadius=20,maxRadius=300)

    print('circles',circles)                         # 查看返回值
    print('len(circles[0])',len(circles[0]))         # 输出检测到圆的个数

    print('-------------------------------------')

    for circle in circles[0]:
        x=int(circle[0])                             # 坐标行列
        y=int(circle[1])
        r=int(circle[2])                             # 半径
        img=cv2.circle(imgcopy,(x,y),r,(0,0,255),2)  # 在原图用指定颜色标记出圆的位置
    cv2.imshow('circle_img_'+str(minDist),img)       # 显示新图像
    cv2.waitKey(0)
cv2.destroyAllWindows()

'''
circles输出如下：
circles [[[ 89.5 279.5  84.5]
		  [328.5 277.5  76.5]
		  [305.5 100.5  86.2]
		  [101.5  95.5  87.7]
		  [157.5 190.5 123.4]
		  [261.5 201.5 105.8]
		  [256.5   6.5 174.8]
		  [381.5 174.5  91. ]]]
'''

从上图也能得出，此图的背景还算干净，若是参数稍微有所差异，检测效果天壤之别，我这里还只是调节了一个参数，最小半径与最大半径还是人为指定的。

鸣谢
https://blog.csdn.net/sunny2038/article/details/9253823
https://blog.csdn.net/zx_good_night/article/details/88715206
https://blog.csdn.net/jfztaq/article/details/83857062