Hough变换实例 很清晰的
利用Hough变换实现直线的快速精确检测
第13卷 第2期2008年2月中国图象图形学报Journal of I m age and GraphicsVol .13,No .2Feb .,2008收稿日期:2006204225;改回日期:2006210217第一作者简介:滕今朝(1970～ ),男,讲师。
2007年于海军航空工程学院获测试计量仪器与科学专业硕士学位。
主要从事电气自动化、检测技术方面的教学和研究。
E 2mail:t w rite@利用Hough 变换实现直线的快速精确检测滕今朝1) 邱 杰2)1)(威海职业学院机电工程系,威海 264210) 2)(海军航空工程学院,烟台 264000)摘 要 利用Hough 变换对直线进行检测,通常存在“速度缓慢、结果不够精确”的问题,本文提出了“分式查表法”,能在大幅度减少Hough 变换的总计算量的情况下,检测精度保持最高,从而使超大型图像中,直线的实时、精确检测成为可能。
关键词 Hough 变换 参数空间 精度 分式查表法中图法分类号:TP391.41 文献标识码:A 文章编号:100628961(2008)022*******Fa st and Prec ise D etecti on of Stra i ght L i n e w ith Hough Tran sformTE NG J in 2zhao 1),Q I U J ie2)1)(E lectro m echanical Engineering D epart m ent,W eihai V ocational College,W eihai 264210)2)(College of N avy A viation Engineering,Yantai 264000)Abstract Pr oble m s as l ow s peed or inaccurate results in the p r ocess of line detecti on with Hough Transf or m re main unsatisfact orily s olved .This paper puts f or ward a ne w l ook 2up table t o decrease the computati on distinctly and keep ing the highest p recisi on .It offers the possibility in real 2ti m e app licati ons es pecially in large i m age .Keywords Hough Transf or m,para meter s pace,p recisi on,table l ook 2up1 引 言Hough 变换具有优异的鲁棒性和极佳的抗干扰能力,利用Hough 变换进行直线检测,是图像分析和计算机视觉的一个重要内容。
Python下opencv使用hough变换检测直线与圆
Python下opencv使⽤hough变换检测直线与圆在数字图像中，往往存在着⼀些特殊形状的⼏何图形，像检测马路边⼀条直线，检测⼈眼的圆形等等，有时我们需要把这些特定图形检测出来，hough变换就是这样⼀种检测的⼯具。
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）。
关于hough变换，核⼼以及难点就是关于就是有原始空间到参数空间的变换上。
以直线检测为例，假设有⼀条直线L，原点到该直线的垂直距离为p，垂线与x轴夹⾓为θ，那么这条直线是唯⼀的，且直线的⽅程为ρ=xcosθ+ysinθ , 如下图所⽰：可以看到的是这条直线在极坐标系下只有⼀个 (ρ,θ) 与之对应，随便改变其中⼀个参数的⼤⼩，变换到空间域上的这个直线将会改变。
好了，再回来看看这个空间域上的这条直线上的所有点吧，你会发现，这条直线上的所有点都可以是在极坐标为 (ρ,θ) 所表⽰的直线上的，为什么说是都可以在，因为其中随便的⼀个点也可以在其他的 (ρ,θ) 所表⽰的直线上，就⽐如上述的(x,y)吧，它可以再很多直线上，准确的说，在经过这个点的直线上，随便画两条如下：可以看到，光是空间上的⼀个点在极坐标系下就可能在很多极坐标对所对应的直线上，具体有多少个极坐标对呢？那得看你的θ的步长了，我们可以看到θ⽆⾮是从0-360度（ 0−2π）变化，假设我们没10度⼀⾛取⼀个直线（这个点在这个直线上），那么我们⾛⼀圈是不是取了36条直线，也就对应36个极坐标对没错吧，那么这个极坐标对，画在坐标轴上是什么样⼦的呢？因为θ是从 0−2π，并且⼀个点定了，如果⼀个θ也定了，你想想它对应的直线的ρ会怎么样，⾃然也是唯⼀的。
那么这个点在极坐标下对应的 (ρ,θ) 画出来⼀个周期可能就是这样的，以θ为x轴的话：ok前⾯说的是单单这⼀个点对应的极坐标系下的参数对，那么如果每个点都这么找⼀圈呢？也就是每个点在参数空间上都对应⼀系列参数对吧，现在把它们华仔同⼀个坐标系下会怎么样呢？为了⽅便，假设在这个直线上取3个点画⼀下：那么可以看到，⾸先对于每⼀个点，在极坐标下，会存在⼀个周期的曲线来表⽰通过这个点，其次，这三个极坐标曲线同时经过⼀个点，要搞清楚的是，极坐标上每⼀个点对 (ρ,θ) 在空间坐标上都是对应⼀条直线的。
Hough变换
3）将全部（xi,yi）处理后，分析M(,)，如果 M(,)T，就认为存在一条有意义的线段，是该线段
的拟合参数。T是一个非负整数，由图像中景物的先 验知识决定。
y
(xi,yi)
图8-14 点的Houghx变换的极坐标形式
y
0=xcos0+ysin0 (xi,yi)
(0,0)
图8-15 共线点Houxgh变换的极坐标形式
数字图像处理与分析基础
算法
1）将（,）空间量化，得到二维矩阵M(,)， M(,)是一个累加器，初始值为0，M(,)=0。
直线。对于（x,y）空间的任意一点（xi,yi），采用
极坐标（,）作为变换空间，其变换方程为：
=xicos+y间的一点（xi,yi）对应于（,）空
间的一条正弦曲线，其相位和幅值由xi、yi决定。
数字图像处理与分析基础
（x,y）空间的同一条直线上的点在（,）空间的正弦 曲线都会相交于点（0, 0），0为这条直线到原点的 距离， 0为直线的法线与轴的夹角，
边缘连接——Hough变换
Hough变换[Hough，1962]是一种基于图像全局分割 结果的边缘连接技术，它抗干扰能力强，能检测出 任意形状的曲线，即使线上有许多的断裂，因此在 图像分析的预处理中获得广泛应用。下面只介绍检 测直线的经典方法。
设图像空间（x,y）中的一条直线的方程为：
y=u0x+v0 式中u0为斜率，v0为截距。那么对于直线上的任意 一点pi(xi,yi)，它在由斜率和截距组成的变换空间
（u,v）中将满足方程式：
Hough变换检测直线
Hough 变换检测直线实验报告一，实验要求用hough 算法检测图像中的直线算法。
使用这一算法来求一幅图像中的所有大于规定长度的直线段，设规定的长度为20点。
二，Hough 变换简介Hough 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。
Hough 变换的基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。
这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。
图1 Hough 变换)sin(sin cos 00θαθθρ+=+=A y x如上图所示，在图像空间，直线上一点),(00y x 转换到参数空间就是一条曲线，而且，图像空间同一直线上的点转换到参数空间的曲线一定相交于一点，即参数空间各曲线的交点对应着图像空间的一条直线，这样，检测参数空间曲线交点就检测出了图像空间的直线。
三，实验过程和结果分析用Hough 变换之前, 首先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。
本实验基于VS2008和OPENCV 来实现。
实验的步骤如下：(1)读入图像，转换成灰度图像OPENCV 中用cvLoadImage 函数来读取图像，函数原型：IplImage* cvLoadImage( const char* filename, int flags=CV_LOAD_IMAGE_COLOR );filename ：要被读入的文件的文件名(包括后缀)；flags ：指定读入图像的颜色和深度；例如：cvLoadImage( fileame, -n1 ); //默认读取图像的原通道数cvLoadImage( filename, 0 ); //强制转化读取图像为灰度图 cvLoadImage( filename, 1 ); //读取彩色图(2)进行边缘检测本实验选择Canny算子的边缘检测,OPENCV中用Canny函数来进行Canny 算子的边缘检测，函数原型为：void cvCanny( const CvArr* image, CvArr* edges, double threshold1, double threshold2, int aperture_size=3 );image：单通道输入图像edges：单通道存储边缘的输出图像threshold1 ：第一个阈值threshold2 ：第二个阈值aperture_size ：算子内核大小3，对检测出的二值图像进行Hough变换OPENCV中用cvHoughLines2函数来进行Hough变换，函数原型为：CvSeq* cvHonghLines2(CvArr* image,void* line_storage,int mehtod,double rho,double theta,int threshold,double param1 =0,double param2 =0);Image：输入8-比特、单通道(二值)图像line_storage：检测到的线段存储仓Method：Hough 变换变量，是下面变量的其中之一CV_HOUGH_STANDARD ——传统或标准Hough 变换CV_HOUGH_PROBABILISTIC——概率Hough 变换CV_HOUGH_MULTI_SCALE ——传统Hough 变换多尺度变种Rho：以象素为单位的距离精度，一般取1Theta：以弧度为单位角度精度,一般取CV_PI/180Threshold：阈值参数，当在一条直线上的像素点数大于threshold时，才将该直线作为检测结果显示出来，该值越大，得到直线越少。
霍夫变换(hough transform)
霍夫变换(hough transform)霍夫变换(Hough Transform)霍夫变换是一种图像处理技术，用于在图像中检测直线、圆形等几何形状。
它最早由Paul Hough在1962年提出。
霍夫变换在计算机视觉和模式识别领域得到广泛应用，特别在边缘检测和形状分析中表现出色。
一、霍夫变换原理1. 直线检测霍夫变换的直线检测基于极坐标下的直线方程：ρ = xcosθ + ysinθ。
其中，ρ表示直线与原点的距离，θ为直线与x轴的夹角。
霍夫变换通过在ρ-θ空间中进行投票，找到出现频率最高的ρ和θ组合，即可以确定一条直线。
2. 圆形检测霍夫变换的圆形检测考虑到圆心坐标和半径。
以圆心坐标(xc, yc)和半径r为变量，对每个像素点进行投票。
根据累加器中出现频率最高的圆心和半径组合，即可确定一个圆。
二、霍夫变换的步骤1. 边缘检测霍夫变换需要基于边缘图像进行处理，因此首先需要对原始图像进行边缘检测。
常用的边缘检测算法有Canny边缘检测和Sobel算子等。
2. 构建累加器对于直线检测，构建一个二维累加器数组，用于记录直线参数的出现频率。
对于圆形检测，构建一个三维累加器数组，用于记录圆心和半径的出现频率。
3. 参数空间搜索遍历边缘图像上的每个像素点，对于每个边缘像素，计算对应的ρ和θ(直线检测)或圆心坐标和半径(圆形检测)。
在累加器中相应位置加1。
4. 参数估计根据累加器中出现频率最高的位置，估计出最佳直线或圆形的参数。
可以设定一个阈值，只接受出现频率高于该阈值的参数。
5. 绘制检测结果根据参数估计的结果，在原始图像上绘制检测出的直线或圆形。
三、霍夫变换的应用1. 直线检测霍夫变换的直线检测广泛应用于计算机视觉领域。
例如，道路标线检测、物体边缘检测、图像中的几何形状检测等。
通过直线检测，可以提取出图像中的重要几何特征，为后续的图像处理和分析提供基础。
2. 圆形检测霍夫变换的圆形检测可以应用于许多领域，例如医学图像处理、目标跟踪、光学字符识别等。
图像中的线检测——hough变换
图像中的线检测——hough变换
对于图像中的线检测问题，诸如直线检测或者椭圆检测，有⼀种⼗分经典的⽅法是霍夫变换。
霍夫变换的基本思想史：点——线的对偶关系，即原空间的像素对应霍夫空间的线。
如果原图中存在直线（即很多像素在⼀条直线上，那么在霍夫空间中，原空间直线映射到霍夫空间中的点）。
因此，检测原空间的直线，变成了检测霍夫空间中的点。
关于霍夫变换，下⾯两篇⽂章讲解的⾮常好：
霍夫变换运⽤两个坐标空间之间的变换，将在⼀个（图像）空间中具有相同形状（数学模型+参数）的曲线或直线，映射到另⼀个（参数）坐标空间的⼀个点上形成峰值，从⽽把检测任意形状的问题转化为统计峰值问题。
Hough变换
%Hough变换 clc;clear;close all f=imread('D:\dj.jpg');%若是彩色图片转灰度化 if length(size(f))>2 f=rgb2gray(f); end %figure(1)subplot(121);imshow(f);%利用edge函数进行边缘检测 j=edge(f,'Sobel');subplot(122);imshow(j); [row,col]=size(j); pinfang=round((row*row+col*col)^0.5); A=zeros(2*pi nfang,180);for m=1:row for n=1:col if j(m,n)>0for thera=1:180r=thera/180*pi; %角度转弧度rho=round(m*cos(r)+n*sin(r));%ρ=cosθ+sinθ rho=rho+pinfang+1;%-l:l转换到1：2l+1 A(rho,thera)=A(rho,thera)+1; end end end end[rho,thera]=find(A>40);%交点超过60条线的点，ma,na为参数空间的坐标点 nma=length(rho); for i=1:nma hold onm=1:row; %rho=ma(i)-1; r=thera(i)/180*pi;n=(rho(i)-pinfang-m*cos(r))/(0.00001+sin(r)); plot(n,m,'r'); end%Hough变换 clc;clear;close all f=imread('D:\dj.jpg');%若是彩色图片转灰度化 if length(size(f))>2 f=rgb2gray(f); end %figure(1)subplot(121);imshow(f);%利用edge函数进行边缘检测 j=edge(f,'Sobel');subplot(122);imshow(j); [row,col]=size(j); pinfang=round((row*row+col*col)^0.5); A=zeros(2*pi nfang,180);for m=1:row for n=1:col if j(m,n)>0for thera=1:180r=thera/180*pi; %角度转弧度rho=round(m*cos(r)+n*sin(r));%ρ=cosθ+sinθ rho=rho+pinfang+1;%-l:l转换到1：2l+1 A(rho,thera)=A(rho,thera)+1; end end end end[rho,thera]=find(A>40);%交点超过60条线的点，ma,na为参数空间的坐标点 nma=length(rho); for i=1:nma hold onm=1:row; %rho=ma(i)-1; r=thera(i)/180*pi;n=(rho(i)-pinfang-m*cos(r))/(0.00001+sin(r)); plot(n,m,'r'); endclc;clear; %% 录入图像并显示f=imread('D:\dj2.jpg');%读入彩色图像，注意不能使用灰度图像f=rgb2gray(f);%将彩色图像转换为灰度图像， f=im2double(f); figure();subplot(2,2,1);imshow(f);title('原图'); %% 提取图像边缘 [m,n]=size(f);%得到图像矩阵行数m，列数n for i=3:m-2for j=3:n-2%处理领域较大，所以从图像（3,3）开始，在（m-2,n-2）结束 l(i,j)=-f(i-2,j)-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)-f(i,j-2)-2*f(i,j-1)+16*f(i,j)-2*f(i,j+1)-f(i,j+2)-f(i+1,j -1)-2*f(i+1,j)-f(i+1,j+1)-f(i+2,j);%LoG算子 end endsubplot(2,2,2);imshow(l);title('LoG算子提取图像边缘'); %% 滤波 [m,n]=size(l); for i=2:m-1 for j=2:n-1y(i,j)=l(i-1,j-1)+l(i-1,j)+l(i-1,j+1)+l(i,j-1)+l(i,j)+l(i,j+1)+l(i+1, j-1)+l(i+1,j)+l(i+1,j+1);y(i,j)=y(i,j)/9; %LoG算子提取边缘后，对结果进行均值滤波以去除噪声，为下一步hough变换提取直线作准备 end endsubplot(2,2,3);imshow(y);title('均值滤波器处理后') %% 二值化 q=im2uint8(y); [m,n]=size(q); for i=1:m for j=1:nif q(i,j)>80; %设置二值化的阈值为80q(i,j)=255; %对图像进行二值化处理，使图像边缘更加突出清晰 else q(i,j)=0; end end subplot(2,2,4);imshow(q);title('二值化处理后'); %% 检测直线%Hough变换检测直线，使用（a，p）参数空间，a∈[0,180],p∈[0,2d] a=180; %角度的值为0到180度d=round(sqrt(m^2+n^2)); %图像对角线长度为p的最大值 s=zeros(a,2*d); %存储每个(a,p)个数z=cell(a,2*d); %用元胞存储每个被检测的点的坐标 for i=1:mfor j=1:n%遍历图像每个点if(q(i,j)==255)%只检测图像边缘的白点，其余点不检测 for k=1:ap = round(i*cos(pi*k/180)+j*sin(pi*k/180));%对每个点1到180度遍历一遍，取得经过该点的所有直线的p值（取整）if(p > 0)%若p大于0，则将点存储在（d，2d）空间s(k,d+p)=s(k,d+p)+1;%（a，p）相应的累加器单元加一 z{k,d+p}=[z{k,d+p},[i,j]'];%存储点坐标 elseap=abs(p)+1;%若p小于0，则将点存储在（0，d）空间 s(k,ap)=s(k,ap)+1;%(a，p)相应的累加器单元加一 z{k,ap}=[z{k,ap},[i,j]'];%存储点坐标 end end end end end for i=1:afor j=1:d*2 %检查每个累加器单元中存储数量 if(s(i,j) >70) %将提取直线的阈值设为70 lp=z{i,j};%提取对应点坐标for k=1:s(i,j)%对满足阈值条件的累加器单元中(a，p)对应的所有点进行操作 o(lp(1,k),lp(2,k),1)=255; %每个点R分量=255，G分量=0，B分量=0 o(lp(1,k),lp(2,k),2)=0; o(lp(1,k),lp(2,k),3)=0; %结果为在原图上对满足阈值要求的直线上的点赋红色 end end end endfigure,imshow(o);title('hough变换提取直线'); rotf = imrotate(f,33,'crop');%ͼÏñÌ«´ó£¬²Ã¼ô BW = edge(rotf,'canny'); [H,T,R] = hough(BW); imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit'); xlabel('\theta'), ylabel('\rho'); axis on, axis normal, hold on;P = houghpeaks(H,7,'threshold',ceil(0.3*max(H(:)))); x = T(P(:,2)); y = R(P(:,1));plot(x,y,'s','color','white');% Find lines and plot themlines = houghlines(BW,T,R,P,'FillGap',5,'MinLength',7); figure, imshow(rotf), hold on max_len = 0;for k = 1:length(lines)xy = [lines(k).point1; lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green'); % plot beginnings and ends of linesplot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow'); plot(xy(2,1),xy(2,2),'x','LineWidth',2,' Color','red'); % determine the endpoints of the longest line segment len = norm(lines(k).point1 - lines(k).point2); if ( len > max_len) max_len = len; xy_long = xy; end end% highlight the longest line segmentplot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan');f=imread('D:\dj.jpg');%读入彩色图像，注意不能使用灰度图像 o=f; %保留彩色原图f=rgb2gray(f);%将彩色图像转换为灰度图像， f=im2double(f); figure();subplot(2,2,1);imshow(o);title('原图');[m,n]=size(f);%得到图像矩阵行数m，列数n for i=3:m-2 for j=3:n-2%处理领域较大，所以从图像（3,3）开始，在（m-2,n-2）结束l(i,j)=-f(i-2,j)-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)-f(i,j-2)-2*f(i,j-1)+16*f(i,j)-2*f(i,j+1)-f(i,j+2)-f(i+1,j-1) -2*f(i+1,j)-f(i+1,j+1)-f(i+2,j);%LoG算子end endsubplot(2,2,2);imshow(l);title('LoG算子提取图像边缘');[m,n]=size(l); for i=2:m-1 for j=2:n-1y(i,j)=l(i-1,j-1)+l(i-1,j)+l(i-1,j+1)+l(i,j-1)+l(i,j)+l(i,j+1)+l(i+1,j-1)+l(i+1,j)+l(i+1,j+1);y(i,j)=y(i,j)/9; %LoG算子提取边缘后，对结果进行均值滤波以去除噪声，为下一步hough变换提取直线作准备 end endsubplot(2,2,3);imshow(y);title('均值滤波器处理后')q=im2uint8(y); [m,n]=size(q); for i=1:m for j=1:nif q(i,j)>80; %设置二值化的阈值为80q(i,j)=255; %对图像进行二值化处理，使图像边缘更加突出清晰 elseq(i,j)=0; end end endsubplot(2,2,4);imshow(q);title('二值化处理后'); %Hough变换检测直线，使用（a，p）参数空间，a∈[0,180],p∈[0,2d] a=180; %角度的值为0到180度d=round(sqrt(m^2+n^2)); %图像对角线长度为p的最大值 s=zeros(a,2*d); %存储每个(a,p)个数z=cell(a,2*d); %用元胞存储每个被检测的点的坐标 for i=1:mfor j=1:n%遍历图像每个点if(q(i,j)==255)%只检测图像边缘的白点，其余点不检测 for k=1:a p = round(i*cos(pi*k/180)+j*sin(pi*k/180));%对每个点从1到180度遍历一遍，取得经过该点的所有直线的p值（取整）if(p > 0)%若p大于0，则将点存储在（d，2d）空间s(k,d+p)=s(k,d+p)+1;%（a，p）相应的累加器单元加一 z{k,d+p}=[z{k,d+p},[i,j]'];%存储点坐标 elseap=abs(p)+1;%若p小于0，则将点存储在（0，d）空间 s(k,ap)=s(k,ap)+1;%(a，p)相应的累加器单元加一 z{k,ap}=[z{k,ap},[i,j]'];%存储点坐标 end end end end endfor i=1:afor j=1:d*2 %检查每个累加器单元中存储数量 if(s(i,j) >70) %将提取直线的阈值设为70 lp=z{i,j};%提取对应点坐标for k=1:s(i,j)%对满足阈值条件的累加器单元中(a，p)对应的所有点进行操作o(lp(1,k),lp(2,k),1)=255; %每个点R分量=255，G分量=0，B分量=0o(lp(1,k),lp(2,k),2)=0;o(lp(1,k),lp(2,k),3)=0; %结果为在原图上对满足阈值要求的直线上的点赋红色end end end endfigure,imshow(o);title('hough变换提取直线');clc;clear;i=imread('D:\dj.jpg');imshow(i)figurei=rgb2gray(i);i_hight=size(i,1);i_width=size(i,2);% i_edge=edge(i,'robert');i_hough=zeros(600,360);for y=1:i_hightfor x=1:i_widthif i(y,x)==0 %坐标系转换for l=1:360r=x*cos(l*pi/180)+y*sin(l*pi/180);w=fix(r)+300; %修正为正整数i_hough(w,l)=i_hough(w,l)+1;endendendendm=max(max(i_hough));i_hough=(i_hough./m); %亮度调整threshold=0.75; %设置直线亮度阈值ih_hight=size(i_hough,1);ih_width=size(i_hough,2);temp=zeros(20,20);count=0;for y=1:ih_hight %找那些亮度高的直线for x=1:ih_width/2if i_hough(y,x)>thresholdcount = count+1;temp(count,1) = x;temp(count,2) = y;endendendimshow(i)hold onfor i=1:count %画呀话% y=kx+bk = tan(temp(i,1)*pi/180);b = (temp(i,2)-300)/sin(temp(i,1)*pi/180);for j=1:360x(j)=j;y(j)=-x(j)/k+b;endplot(x,y)hold onendaxis equalfigureimshow(i_hough)clc;clear;img=imread('D:\dj.jpg');% imshow(img)% figureimg=rgb2gray(img);i_hight=size(img,1);i_width=size(img,2);% i_edge=edge(img,'robert');% figure% imshow(img)i_hough=zeros(800,360);for y=1:i_hightfor x=1:i_widthif img(y,x)==0 %坐标系转换for l=1:360r=x*cos(l*pi/180)+y*sin(l*pi/180);w=fix(r)+400; %修正为正整数i_hough(w,l)=i_hough(w,l)+1;endendendendm=max(max(i_hough));i_hough=(i_hough./m); %亮度调整figureimshow(i_hough)threshold=0.50; %---------------------------设置直线亮度阈值ih_hight=size(i_hough,1);ih_width=size(i_hough,2);temp=zeros(100,2);count=0;for y=1:ih_hight %找那些亮度高的直线for x=1:ih_width/2if i_hough(y,x)>thresholdcount = count+1;temp(count,1) = x;temp(count,2) = y;endendend% 调和高亮点while(1)flag = 0;for i=1:countif flag==0for j=i+1:countdis = sqrt((temp(i,1)-temp(j,1))^2 + (temp(i,2)-temp(j,2))^2);if dis<50 %---------------------------调和半径flag = 1;temp(i,1)=(temp(i,1)+temp(j,1))/2;temp(i,2)=(temp(i,2)+temp(j,2))/2;temp(j,:)=[];count = count-1;break;endendendendif flag == 0break;endendfigureimshow(img)hold onfor i=1:count %画呀话% y=kx+bk = tan(temp(i,1)*pi/180);b = (temp(i,2)-400)/sin(temp(i,1)*pi/180); %-400是为了反修正for j=1:360x(j)=j;y(j)=-x(j)/k+b;endplot(x,y)hold onendaxis equalaxis([0,400,0,400]);function Img_hough = hough_s(‘D:\Img, jpg’)%该函数实现hough变换提取直线的功能。
霍夫变换(hough transform)
一、概述霍夫变换是一种常用的图像处理技术，它可以用于检测图像中的直线、圆或者其他形状。
它具有很好的鲁棒性，可以应对图像中存在的噪声和其他干扰。
霍夫变换在计算机视觉、图像处理和模式识别领域有着广泛的应用，成为了处理图像中几何形状的重要工具。
二、霍夫变换的原理霍夫变换最初是由美国科学家保罗·霍夫在1962年提出的，用于检测图像中的直线。
后来，霍夫变换被扩展到检测圆或者其他形状。
霍夫变换的基本原理是将空间域中的坐标转换到参数域中，在参数域中对应的曲线经过的点在空间域中具有共线的特点。
通过累加空间域中的点的参数，可以找到曲线或者形状的参数方程，从而实现对图像中形状的检测。
具体来说，对于检测直线来说，可以通过霍夫变换将直线表示为参数空间中的斜率和截距，从而可以在参数空间中进行累加，最终找到直线的参数方程。
三、霍夫变换在直线检测中的应用1. 边缘检测在使用霍夫变换检测直线之前，通常需要对图像进行边缘检测。
边缘检测可以帮助找到图像中明显的过渡区域，这些过渡区域通常对应着直线的轮廓。
常用的边缘检测算法包括Sobel算子、Canny算子等。
2. 参数空间的设置为了使用霍夫变换来检测直线，需要设定参数空间的范围。
对于直线检测来说，一般可以设定直线的斜率和截距的取值范围。
3. 累加过程在设定好参数空间后，需要对图像中的边缘点进行霍夫变换的累加过程。
对于每一个边缘点，都可以在参数空间中找到对应的直线，通过对参数空间的累加，可以找到参数空间中的峰值，这些峰值对应着图像中的直线。
4. 直线检测可以根据参数空间中的峰值来确定图像中的直线。
通常可以设定一个阈值来筛选参数空间中的峰值，从而得到最终的直线检测结果。
四、霍夫变换在圆检测中的应用除了直线检测，霍夫变换也可以用于检测图像中的圆。
与直线检测类似，圆检测也需要进行边缘检测和参数空间的设定。
不同的是，在圆检测中，需要设定圆心和半径的参数空间范围。
五、霍夫变换的改进和应用1. 累加数组的优化在传统的霍夫变换中，需要对参数空间进行离散化，这会导致计算量较大。
第八单元 Hough 转换
第八單元 Hough轉換陳慶瀚2004-11-15Hough transform (HT) 於1962年由P.Hough (P.V.C. Hough. Method and Means for Recognizing Complex Patterns, US Patent 3,069,654, December 1962)提出， 繼而於1972年首度以論文形式發表(R.O.Duda, R.E.Hart. Use of the Hough Transform to Detect Lines and Curves in Pictures, CACM(15). No. 1, January 1972, pp. 11-15.)。
HT用在二值化影像的形狀偵測(shape detection)，主要原理是利用影像中分散的點位置找出特定形狀(例如直線或圓)的參數值，每一個點藉由一對多的映射(由影像空間映射到參數空間)產生參數的所有可能值，再累計全部點所產生的參數值，最後在得以在參數空間決定表現最明顯的形狀參數。
P.V.C. Hough. Method and Means for Recognizing Complex Patterns, US Patent3,069,654, December 1962.R.O.Duda, R.E.Hart. Use of the Hough Transform to Detect Lines and Curves in Pictures, CACM(15). No. 1, January 1972, pp. 11-15.1.直線偵測(Straight Lines )的Hough轉換對於二值化影像上的任一點(x,y)，通過這一點的直線方程式可以表示為f(x,y) = y-ax-b = 0a和b分別是直線的斜率和截距。
我們可以把上式視為相互限制條件(mutual constraint)的映射關係，由影像點(x,y)映射至多重的參數(a,b)，或由參數(a,b)映射至多重的影像點(x,y)。
Hough变换算法及过程
Hough 变换Hough 变换是1962年由Hough 提出来的，用于检测图像中直线、圆、抛物线、椭圆等且其形状能够用一定函数关系描述的曲线，它在影像分析、模式识别等很多领域中得到了成功的应用：其基本原理是将影像空间中的曲线（包括直线）变换到参数空间中，通过检测参数空间中的极值点，确定出该曲线的描述参数，从而提取影像中的规则曲线。
直线Hough 变换通常采用的直线模型为θθρsin cos y x +=其中ρ是从原点引到直线的垂线长度；θ是垂线与x 轴正向的夹角（如图）。
对于影像空间直线上任一点(x ，y)，Hough 变换将其映射到参数空间()ρθ，的一条正弦曲线上。
由于影像空间内的一条直线由一对参数()00ρθ，唯一地确定,因而该直线上的各点变换到参数空间的各正弦曲线必然都经过点()00ρθ，，在参数平面(或空间)中的这个点的坐标就代表了影像空间这条直线的参数。
这样，检测影像中直线的问题就转换为检测参数空间中的共线点的问题。
由于存在噪声及特征点的位置误差，参数空间中所映射的曲线并不严格通过一点，而是在一个小区域中出现一个峰，只要检测峰值点，就能确定直线的参数。
其过程为(1)对影像进行预处理，提取特征并计算其梯度方向；(2)将()ρθ，参数平面量化，设置二维累计矩阵()j i H ρθ,；(3)边缘细化，即在边缘点的梯度方向上保留极值点，剔除那些非极值点；(4)对每一边缘点，以其梯度方向ψ为中心，设置一小区间[]00,θψθψ+-，其中0θ为经验，一般可取 10~5，在此小区间上以θ∆为步长，按式(2—3—37)对每一个区间中的θ量化值计算相应的ρ值，并给相应的累计矩阵元素增加一个单位值；(5)对累计矩阵进行阈值检测，将大于阈值的点作为备选点；(6)取累计矩阵(即参数空间)中备选点中的极大值点为所需的峰值点，这些点所对应的参数空间的坐标即所检测直线的参数。
利用Hough 变换也可以提取圆和抛物线：()()222R r y c x =-+- c bx ax y ++=2但此时参数空间是三维空间，因而计算量相当大。
霍夫变换(详解)
基本原理
霍夫变换利用点和线之间的对偶性，将 图像空间中直线上离散的 像素点 通过参数方 程映射为霍夫空间中的 曲线 ，并将霍夫空间 中多条曲线的 交点 作为直线方程的参数 映射 为图像空间中的 直线。 给定直线的参数方程，可以利用霍夫变 换来检测图像中的直线。
原图
二值化
canny边缘检测
霍夫变换直线检测
谢谢！
给定具体的五个点：
(a)image space
(b)hough space
选择由尽可能多直线汇成的点，如A和B。
y=x-1 y=1 (a)image space (b)hough translation
A,B确定了两组参数(k,q)，代入直线方程y=kx+q，况，
q q=-2k+4 q=-2k+3 q=-2k+1
(a)Image space q = -xk+y 无法确定图像空间中的垂线。
(b) hough space
k
转化为极坐标下的参数方程：
x1cosθ+y1sinθ=ρ
x1cosθ=ρcos2θ y1sinθ=ρsin2θ
图像空间中的点，对应了霍夫空间中的曲线。 曲线的交点确定了一组参数，能够描述图像空间中的特定直线。
给定具体的三个点：
y=x-1
(1,-1) (a)image space 图像空间中共线的点， 在霍夫空间对应的直线相交于一点。 (b)hough space
点和线的对偶性
（1）图像空间中的点，对应霍夫空间中的直 线。 （2）图像中的直线，对应霍夫空间中的点。 （3）共点的直线，在霍夫空间中对应的点在 一条直线上。 （4）共线的点，在霍夫空间中对应的直线交 与一点。
hough变换
什么是hough变换Hough变换利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。
通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。
例如，图1(a)中的九条线段对应于如图1(b)所示的其Hough参数空间的九个累加器峰值。
图1(b)中，Hough参数空间的横纵坐标分别为直线极坐标方程:ρ＝x×cos(θ) + y×sin(θ) 的两个参数ρ和θ。
九个峰值的ρ和θ值唯一的确定其对应线段所在直线的两个参数。
并且线段的长度决定坐标(ρ,θ)处的累加值的大小。
应用领域理论与实践向来是形影不离，相辅相成，Hough变换之所以有如此长足的发展，主要原因还是在于实践应用上的广泛需求；而在实践中所暴露出的不足又进而促进了它的发展，循环往复，就如同生命的演化。
现枚举其主要应用领域如下：生物医学Hough变换已被成功应用于基于人工智能的专家诊断系统；X射线人体照片和CT图像的处理和判读；光学显微镜和电子显微镜中的细胞核自动分析系统；从超声波诊断中提取三维动脉特征，等等。
自动化、机器人视觉Hough变换已被用于产品部件的自动监视、缺陷诊断、生产过程的自动监控、计算机辅助制造（CAM）等。
例如基于Hough变换的机械零件检测和定位系统；基于Hough变换采用直线、圆弧等作为基本特征的工业产品检查系统。
空间技术、军事防御Hough变换已被用于运动目标轨迹的检测与识别，高空侦察机、间谍卫星和军事雷达等目标自动识别系统的特征提取。
例如应用Hough变换对战斗机的外形特征进行提取和自动识别；应用Hough变换辅以信号检测理论解决并行多运动目标的跟踪问题。
办公自动化Hough变换在许多应用系统中得到了很好的应用。
例如采用Hough变换进行英文字符特征提取并自动识别，其对印刷体字符识别率为99.6%，对手写体字符的平均识别率也达到了86.9%，并已成功应用于邮政信件的自动分拣、文件处理等。
《霍夫变换Hough》课件
未来发展方向
随着计算机算力的提升， 人工智能技术的发展，霍 夫变换Hough将在更多领 域得到变换[M]. 阳泉: 山西科技师范学院学报, 2009. • Duda R O, Hart P E. Use of the Hough transformation to detect lines and curves in
for circles[J]. IEEE Transactions on Image Processing, 2014, 23(12): 5338-5347.
pictures[J]. Communications of the ACM, 1972, 15(1): 11-15. • Zhu J, Ji X, Zhang Y, et al. A computationally efficient approach to the Hough transform
霍夫变换可用于许多领域，例如检测道路标线、检测医学影像中的对象、自然场景分析 等。
3 霍夫变换Hough的优点和缺点
霍夫变换具有鲁棒性好、适用范围广等优点，但是计算量较大、可能存在误检、漏检等 缺点。
霍夫变换Hough的原理
什么是霍夫空间？
霍夫空间是一种由极坐标系 建立起来的坐标系，它是描 述一条直线或圆的数学形式。
如何检测图像中的直线？利用霍夫变换进行直线检测，步骤包括边缘检测、霍夫 空间生成、投票计算和参数选取。
2
霍夫圆变换
如何检测图像中的圆？利用霍夫变换进行圆检测，步骤包括边缘检测、霍夫空间 生成、投票计算和参数选取。
案例分析
直线检测案例
圆检测案例
案例描述：利用霍夫变换检测道路标线。实现步 骤：边缘检测、霍夫空间生成、投票计算和参数 选取。实现结果展示：检测出图像中的道路标线。
共点直线群的hough变换是一条正弦曲线
共点直线群的hough变换是一条正弦曲线
介绍它
Hough变换（又称Hough变换）是一种用来检测图像中的直线、圆、椭圆以及更复杂的
形状的技术，是电子图像处理所使用的一种算法。
它的原理是将图像转换成一组特殊的坐标，并通过对这些坐标的计算，来构成相对应的图像元素。
共点直线群（cluster of colinear points）Hough变换是Hough变换在图像中发现直线时最
常用的变换。
它使用两个变量：直线上点的斜率和直线到坐标原点的偏移量，将每一条直线映射成一条正弦曲线。
实际应用中，拟合这个正弦曲线时，会预先定义一组曲线的参数，比如曲线上的点的斜率范围、到坐标原点的偏移量的范围等。
在这种情况下，正弦曲线能
保留提供的所有参数，拟合结果也更加理想。
Hough变换不仅能够用于检测原始图像中的直线，对于任意两个给定的参数都可以得到一条正确的正弦变换结果，因此，它一般被用来预测直线，检测边缘、检测轮廓等相关应用。
总之，Hough变换是一种检测图像中直线、圆形、椭圆形和其他复杂形状的重要算法。
共点直线群Hough变换是将直线映射成一条正弦曲线，在具体应用中，通常可以更好的拟
合曲线，可以有效的检测和分析图像中的直线和更复杂的轮廓形状。
Hough变换实例
Hough变换实例坐标相差都小于10的时候可以认为是同一个点，也即是同一个硬币，否则将硬币数加一。
最后通过统计得到的总硬币数计算出总钱数。
下面先给出具体代码：clc,clear allImage = imread('final.bmp');imshow(Image),title('原始图像');Gray = rgb2gray(Image);bw = im2bw(Gray); % 先转为二值图像BW = edge(bw); % 然后提取边缘figureimshow(BW),title('图像边缘);step_r = 1; % 设定半径搜索步长step_angle = 0.1; % 设定角度搜索步长r_min = 50; % 最小半径和最大半径，确定搜索范围r_max = 100;thre = 0.8; % 设定阈值%***************hough变换*********************************[m, n] = size(BW);Count_r = round((r_max-r_min)/step_r)+1; % °半径最大搜索次数hough_adder = zeros(m, n, Count_r);Count_angle = round(2*pi/step_angle); % 角度最大搜索次数[rows, cols] = find(BW); % 找出矩阵中的非零值count = size(rows); % 计算非零值的个数for Count_Num = 1 : countfor Count_R = 1 : Count_rfor Count_Angle = 1 : Count_anglea =round(rows(Count_Num)-(r_min+(Count_R-1)*step_r)*cos(Count_Angle*step_ angle));b =round(cols(Count_Num)-(r_min+(Count_R-1)*step_r)*sin(Count_Angle*step_a ngle));isTrue = (a>0 && a<=m && b>0 && b<=n);if(isTrue)hough_adder(a,b,Count_R) = hough_adder(a,b,Count_R) + 1;% 参数空间累加器加1endendendendmax_hough_adder = max(max(max(hough_adder))); % 计算最大值index = find(hough_adder >= max_hough_adder * thre); % 设定阈值length = size(index);hough_circle=zeros(m,n);for Count_Num = 1 : countfor Count_Length = 1 : lengthpar3 = floor(index(Count_Length)/(m*n));par2 = floor((index(Count_Length)-par3*(m*n))/m);par1 = index(Count_Length)-par3*(m*n)-par2*m;isTrue =(rows(Count_Num)-par1)^2+(cols(Count_Num)-par2-1)^2<(r_min+par3*step_r )^2+5 &&(rows(Count_Num)-par1)^2+(cols(Count_Num)-par2-1)^2>(r_min+par3*step_r )^2-5;if(isTrue)hough_circle(rows(Count_Num),cols(Count_Num)) = 1;endendendfigureimshow(hough_circle),title('圆形检测结果');for Count_Length = 1 : lengthpar3 = floor(index(Count_Length)/(m*n));par2 = floor((index(Count_Length)-par3*(m*n))/m);par1 = index(Count_Length)-par3*(m*n)-par2*m;par3 = r_min+par3*step_r;para(:,Count_Length) = [par1,par2,par3]; % 存储符合条件的圆坐标以及半径end%***************计算总钱数*********************************total_wu = 0;for idx = 1 : length-1total_wu = total_wu + para(3,idx);if (para(3,idx+1) - para(3,idx) > 5)break;endendtotal_yi = sum(para(3,:)) - total_wu;Ave_wu = total_wu / idx;Ave_yi = total_yi / (length(1,1)-idx);% 计算五角硬币的个数count_wu = 1;j = 1;for i = 2 : idxif j<= i-1if abs(para(1,i) - para(1,j)) < 10 && abs(para(2,i) - para(2,j)) < 10 count_wu = count_wu;elsecount_wu = count_wu + 1;break ;endendend% 计算一元硬币的个数count_yi = 1;j = idx+1;for i = (idx+2) : lengthif j <= i-1if abs(para(1,i) - para(1,j)) < 10 && abs(para(2,i) - para(2,j)) < 10 count_yi = count_yi;elsecount_yi = count_yi + 1;break ;endendendtotal_money = count_wu * 0.5 + count_yi * 1 % 计算总钱数下面给出处理的图像：原始图像图1 原始图像图像边缘最后给出检测出的图像如下：从图3可以看出此时检测结果还是很准确的，当然这个和我们所选取的阈值thre 有关，如果thre 选择偏大，则无法将三个圆都检测出来，相反，如果thre 偏小，那么可能检测出来图形中其他的圆（比如该图像中的U 盘上的圆圈）。
Hough变换检测直线 1 Hough变换检测直线的理论 11 Hough变换 在
Hough变换检测直线1 Hough变换检测直线的理论1.1 Hough变换在计算机识别中，常常需要从图像上寻找特定形状的图形，如果直接利用图像点阵进行搜索判断显然难以实现，这时就需要将图像像素按一定的算法映射到参数空间。
Hough变换提供了一种将图像像素信息按坐标映射到参数空间的方法，通过它构建的参数空间可以容易地对特定形状进行判断。
Hough变换是一种利用图像的全局特征将特定形状的边缘像素连接起来，形成连续平滑边缘的一种方法。
它通过将源图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别。
Hough变换常用于对图像中的直线和圆进行识别。
1.2直线的Hough变换直线的解析式有多种形式，由于用斜率描述的直线存在斜率无穷大的特殊情况,这里选用直线的极坐标描述：ρ=хcos(θ)+уsin(θ)式中ρ为直线到原点的距离，θ为限定了直线的斜率。
对于任意一组确定的（ρ，θ），上式都可以唯一确定一条直线。
开辟二维参数空间H（ρ，θ），对ρ，θ整数化，则对于任意有限平面区域，参数空间H可以表示为有限个点的集合。
而H（ρ，θ）中任意点都一一对应原平面区域上的一条直线。
将上述结论推广到任意平面图像上可知，图像上任意直线区域都可以一一对应参数空间H（ρ，θ）中一个点，而图像上的任意像素都同时存在于很多直线区域之上。
可以将图像上的直线区域想象为容器，把特定像素想象成放在容器中的棋子，只不过在这里，每个棋子都可以同时存在于多个容器中。
那么Hough变换可以理解为依次检查图像上的每个棋子（特定像素），对于每个棋子，找到所有包含它的容器（平面上的直线区域），并为每个容器的计数器加1，这们就可以统计出每个容器所包含的棋子数量。
当图像中某个直线区域包含的特定像素足够多（大于设定的阈值K）时，就可以认为直线区域表示的直线存在。
用二维向量（ρ，θ）描述图像上的每一条直线区域，则可将图像上的直线区域计数器映射到参数空间H（ρ，θ）中的存储单元。
python 数组 hough变换
主题：python 数组 hough变换内容：1. 介绍python数组Python是一种高级编程语言，其内置了丰富的数据类型和数据结构，其中包括数组（array）类型。
数组是一种能够容纳多个元素的数据结构，这些元素可以是同一类型的或不同类型的。
在Python中，数组可以通过列表（list）或numpy库中的ndarray类型来表示。
2. 理解hough变换Hough变换是一种用于检测平面上的直线、圆或其他形状的技术。
它通过将空间中的点映射到参数空间，并检测参数空间中的交叉点来实现对形状的检测。
在计算机视觉和图像处理领域，Hough变换常用于检测图像中的直线或圆。
3. Python中的Hough变换Python中有许多库和工具可以实现Hough变换，其中最常用的是OpenCV和scikit-image。
这些库提供了高效且易于使用的函数来实现Hough变换，用户可以通过简单的调用函数就能实现对图像中直线或圆的检测。
4. 实例演示在Python中，可以通过以下步骤来使用Hough变换来检测图像中的直线：（1）加载图像：首先使用OpenCV或scikit-image加载图像数据。
（2）边缘检测：对图像进行边缘检测，例如使用Canny边缘检测算法。
（3）Hough变换：对边缘检测后的图像进行Hough变换，检测直线或圆。
（4）绘制检测结果：根据Hough变换的结果，在原图上绘制检测到的直线或圆。
5. 注意事项在使用Hough变换时，需要注意参数的选择和调整，以获得更准确的检测结果。
另外，由于Hough变换算法的复杂性，对于大尺寸的图像，可能需要进行优化以提高计算效率。
6. 结语通过本文的介绍，读者可以了解到Python中数组的概念和Hough变换的基本原理，以及如何在Python中使用数组和Hough变换来实现对图像中直线或圆的检测。
希望本文能够帮助读者更好地理解Python 中的数组和Hough变换，并在实际应用中发挥作用。
霍夫变换——精选推荐
霍夫变换前⾔今天群⾥有⼈问到⼀个图像的问题，但本质上是⼀个基本最⼩⼆乘问题，涉及到霍夫变换（Hough Transform），⽤到了就顺便总结⼀下。
内容为⾃⼰的学习记录，其中多有参考他⼈，最后⼀并给出链接。
⼀、霍夫变换（Hough） A-基本原理⼀条直线可由两个点A=(X1,Y1)和B=(X2,Y2)确定(笛卡尔坐标)另⼀⽅⾯，也可以写成关于（k,q）的函数表达式（霍夫空间）：对应的变换可以通过图形直观表⽰：变换后的空间成为霍夫空间。
即：笛卡尔坐标系中⼀条直线，对应霍夫空间的⼀个点。
反过来同样成⽴（霍夫空间的⼀条直线，对应笛卡尔坐标系的⼀个点）：再来看看A、B两个点，对应霍夫空间的情形：⼀步步来，再看⼀下三个点共线的情况：可以看出如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于⼀点：这也是必然，共线只有⼀种取值可能。
如果不⽌⼀条直线呢？再看看多个点的情况（有两条直线）：其实（3，2）与（4，1）也可以组成直线，只不过它有两个点确定，⽽图中A、B两点是由三条直线汇成，这也是霍夫变换的后处理的基本⽅式：选择由尽可能多直线汇成的点。
看看，霍夫空间：选择由三条交汇直线确定的点（中间图），对应的笛卡尔坐标系的直线（右图）。
到这⾥问题似乎解决了，已经完成了霍夫变换的求解，但是如果像下图这种情况呢？k=∞是不⽅便表⽰的，⽽且q怎么取值呢，这样不是办法。
因此考虑将笛卡尔坐标系换为：极坐标表⽰。
在极坐标系下，其实是⼀样的：极坐标的点→霍夫空间的直线，只不过霍夫空间不再是[k,q]的参数，⽽是的参数，给出对⽐图：是不是就⼀⽬了然了？给出霍夫变换的算法步骤：对应code:12 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25function[ Hough, theta_range, rho_range ] = naiveHough(I)%NAIVEHOUGH Peforms the Hough transform in a straightforward way.%[rows, cols] = size(I);theta_maximum = 90;rho_maximum = floor(sqrt(rows^2 + cols^2)) - 1;theta_range = -theta_maximum:theta_maximum - 1;rho_range = -rho_maximum:rho_maximum;Hough = zeros(length(rho_range), length(theta_range));for row = 1:rowsfor col = 1:colsif I(row, col) > 0 %only find: pixel > 0x = col - 1;y = row - 1;for theta = theta_rangerho = round((x * cosd(theta)) + (y * sind(theta))); %approximaterho_index = rho + rho_maximum + 1;theta_index = theta + theta_maximum + 1;Hough(rho_index, theta_index) = Hough(rho_index, theta_index) + 1; endendendend 其实本质上就是：交点怎么求解呢？细化成坐标形式，取整后将交点对应的坐标进⾏累加，最后找到数值最⼤的点就是求解的，也就求解出了直线。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数字图像处理第八次作业实验内容1、拍摄一张包含硬币、橡皮等物品的照片，通过Hough 变换检测出圆形的硬币个数并区分不同半径的硬币。
最终计算出照片中的总钱数。
解：Hough 变换的实质是对图像进行坐标的变换，将图像空间的线条变为参数空间的聚集点，从而将原始图像中检测给定形状的曲线问题，变成寻找参数空间中的峰点的问题。
它不仅可以检测直线，而且可以很方便地检测圆、椭圆和抛物线等形状。
由于这里需要检测圆形的硬币，所以下面给出检测圆的具体方法：因为圆的图像空间方程为：222()()x a y b r -+-=，我们需要通过Hough 变换，将图像空间(,)x y 对应到参数空间(,,)a b r ，然后对其进行累加完成检测。
但是显然这种方法的计算量是非常大的，所以一般都是先对灰度图像进行边缘提取，利用边界像素的灰度梯度信息估计出下式中的角度θ，以此来降低计算量：cos cos a x r b y r θθ=-*⎧⎨=-*⎩ (1)一般在检测过程中需要对图像进行预处理，使得检测更加准确和容易。
检测过程如下所示：○1真彩色图像转为灰度图像； ○2去除噪声，进行中值滤波； ○3转为二值图像，利用边缘算子进行图像边缘提取； ○4最后进行图像的平滑和填充。
这里处理的图像并没有太多噪声，所以处理的时候略去了中值滤波的步骤，直接对边缘提取后的图像进行Hough 变换检测圆形。
根据式（1），我们需要对半径r 和角度θ进行搜索，所以这里应该首先设置半径和角度方向的搜索步长step_r 和step_angle ，接着给出半径搜索的最大和最小值，当然这两个数值需要根据经验来自己确定。
最后就可以根据这些确定半径和角度的最大搜索次数。
由于Hough变换需要用到稀疏矩阵，也即首先得找到图像矩阵中的非零量，针对这些非零量进行进一步的处理。
这个操作可以直接通过Matlab中的find语句来实现：>> [rows, cols] = find(BW); %找出矩阵中的非零值接着只需要根据式（1）计算出对应参数空间的参数a b和，根据,a b的范围确定hough空间累加器hough_adder是否自增。
由于这里的图像中不止一个圆形，所以不能直接利用hough_adder中的最大值来确定半径，需要设置一定的阈值thre来确定一定半径的圆，当阈值设置合理后才可以找出图像中的圆。
接着对阈值范围内的点进行搜索，当满足圆周内外各5个像素点时，该点可以认为是我们搜寻的圆上的点。
对其相应的坐标赋1即可。
经过上述的步骤，便通过hough变换的思想将图像的中的圆给检测出来了。
并且可以将圆心坐标和圆的半径都显示出来。
那接下来按照题目的意思是需要我们计算总的钱数，所以首先需要区分一元和五角的硬币，也就是区分圆的半径。
由于这里我们设置搜索出来的圆的半径是逐渐递增的，所以只需要判断在两个相邻点之间圆的半径是否存在跳变即可。
因为如果是不同的一元硬币，那么他们的半径即使相差一点也不会很多。
这样我们便可以得出首先将圆分成两类（这里只考虑一元和五角的两种情况），然后在每一类中再寻找半径相似的圆位于不同坐标的个数，也就是同样面值的硬币的个数了。
可以通过如下代码实现：从以上代码我们可以看出，这里只要当相邻两个半径相差超过5即可认定为是不同的硬币了。
接着在相同的硬币中，通过循环搜索当前半径和之前像素点的半径，当横纵坐标相差都小于10的时候可以认为是同一个点，也即是同一个硬币，否则将硬币数加一。
最后通过统计得到的总硬币数计算出总钱数。
下面先给出具体代码：clc,clear allImage = imread('final.bmp');imshow(Image),title('原始图像');Gray = rgb2gray(Image);bw = im2bw(Gray); % 先转为二值图像BW = edge(bw); % 然后提取边缘figureimshow(BW),title('图像边缘);step_r = 1; % 设定半径搜索步长step_angle = 0.1; % 设定角度搜索步长r_min = 50; % 最小半径和最大半径，确定搜索范围r_max = 100;thre = 0.8; % 设定阈值%***************hough变换*********************************[m, n] = size(BW);Count_r = round((r_max-r_min)/step_r)+1; % °半径最大搜索次数hough_adder = zeros(m, n, Count_r);Count_angle = round(2*pi/step_angle); % 角度最大搜索次数[rows, cols] = find(BW); % 找出矩阵中的非零值count = size(rows); % 计算非零值的个数for Count_Num = 1 : countfor Count_R = 1 : Count_rfor Count_Angle = 1 : Count_anglea =round(rows(Count_Num)-(r_min+(Count_R-1)*step_r)*cos(Count_Angle*step_angle ));b =round(cols(Count_Num)-(r_min+(Count_R-1)*step_r)*sin(Count_Angle*step_angle) );isTrue = (a>0 && a<=m && b>0 && b<=n);if(isTrue)hough_adder(a,b,Count_R) = hough_adder(a,b,Count_R) + 1;% 参数空间累加器加1endendendendmax_hough_adder = max(max(max(hough_adder))); % 计算最大值index = find(hough_adder >= max_hough_adder * thre); % 设定阈值length = size(index);hough_circle=zeros(m,n);for Count_Num = 1 : countfor Count_Length = 1 : lengthpar3 = floor(index(Count_Length)/(m*n));par2 = floor((index(Count_Length)-par3*(m*n))/m);par1 = index(Count_Length)-par3*(m*n)-par2*m;isTrue =(rows(Count_Num)-par1)^2+(cols(Count_Num)-par2-1)^2<(r_min+par3*step_r)^2+5 &&(rows(Count_Num)-par1)^2+(cols(Count_Num)-par2-1)^2>(r_min+par3*step_r)^2-5 ;if(isTrue)hough_circle(rows(Count_Num),cols(Count_Num)) = 1;endendendfigureimshow(hough_circle),title('圆形检测结果');for Count_Length = 1 : lengthpar3 = floor(index(Count_Length)/(m*n));par2 = floor((index(Count_Length)-par3*(m*n))/m);par1 = index(Count_Length)-par3*(m*n)-par2*m;par3 = r_min+par3*step_r;para(:,Count_Length) = [par1,par2,par3]; % 存储符合条件的圆坐标以及半径end%***************计算总钱数*********************************total_wu = 0;for idx = 1 : length-1total_wu = total_wu + para(3,idx);if (para(3,idx+1) - para(3,idx) > 5)break;endendtotal_yi = sum(para(3,:)) - total_wu;Ave_wu = total_wu / idx;Ave_yi = total_yi / (length(1,1)-idx);% 计算五角硬币的个数count_wu = 1;j = 1;for i = 2 : idxif j<= i-1if abs(para(1,i) - para(1,j)) < 10 && abs(para(2,i) - para(2,j)) < 10 count_wu = count_wu;elsecount_wu = count_wu + 1;break;endendend% 计算一元硬币的个数count_yi = 1;j = idx+1;for i = (idx+2) : lengthif j <= i-1if abs(para(1,i) - para(1,j)) < 10 && abs(para(2,i) - para(2,j)) < 10 count_yi = count_yi;elsecount_yi = count_yi + 1;break;endendendtotal_money = count_wu * 0.5 + count_yi * 1 % 计算总钱数下面给出处理的图像：原始图像图1 原始图像图像边缘图2 提取的图像边缘最后给出检测出的图像如下：检测结果图3 检测出圆轮廓从图3可以看出此时检测结果还是很准确的，当然这个和我们所选取的阈值thre有关，如果thre选择偏大，则无法将三个圆都检测出来，相反，如果thre 偏小，那么可能检测出来图形中其他的圆（比如该图像中的U盘上的圆圈）。
所以说这里的关键就是阈值的选择，我是通过不断调试得出这个比较理想的结果的。
最后，在屏幕上打印总的钱数为：>> total_money =2.5000一、实验小结由于老师上课只讲述了直线的hough变换，所以在一开始做这题的时候感觉有点无从下手。
后来查阅了冈萨雷斯的图像处理书对hough变换有了一个更深刻的了解。