当前位置：首页 > article >正文

计算机视觉-霍夫变换直线检测实验报告

article 2024/12/29 0:37:15

实验三霍夫变换直线检测实验

一、实验目的

掌握哈夫变换（Hough Transform）在图像处理中的基本原理。
学会使用计算机程序实现哈夫变换直线检测。
了解影响直线检测效果的参数，并学会调整这些参数以优化检测结果。
体会哈夫变换在实际场景（如边缘检测、道路检测等）中的应用。

二、实验内容和要求

1．实验内容：

选择一组图像用于哈夫变换直线检测实验。
使用计算机程序（如 Python 和 OpenCV）实现哈夫变换直线检测算法。
对图像进行预处理（如边缘检测）以提高直线检测效果。
调整哈夫变换的参数（如投票阈值、最小线段长度等），比较不同参数设置下的检测效果。
可视化和分析直线检测结果，通过图像展示检测到的直线。

2．基本要求：

编写哈夫变换直线检测程序，并能够对给定图像进行检测。
熟悉哈夫变换的参数及其对检测结果的影响，并能对不同参数设置下的检测结果进行分析。
对比不同图像和参数设置下的检测效果，进行详细分析并撰写实验报告。

三、实验设备

实验设备主要有：计算机、OpenCV库

四、实验原理

霍夫直线检测就是把图像空间中的直线变换到参数空间中的点，通过统计特性来解决检测问题。具体来说，如果一幅图像中的像素构成一条直线，那么这些像素坐标值（x, y）在参数空间对应的曲线一定相交于一个点，所以我们只需要将图像中的所有像素点（坐标值）变换成参数空间的曲线，并在参数空间检测曲线交点就可以确定直线了。

在理论上，一个点对应无数条直线或者说任意方向的直线(在参数空间中坐标轴表示的斜率k或者说θ有无数个)，但在实际应用中，我们必须限定直线的数量（即有限数量的方向）才能够进行计算。

因此，我们将直线的方向θ离散化为有限个等间距的离散值，参数ρ也就对应离散化为有限个值，于是参数空间不再是连续的，而是被离散量化为一个个等大小网格单元。将图像空间（直角坐标系）中每个像素点坐标值变换到参数空间（极坐标系）后，所得值会落在某个网格内，使该网格单元的累加计数器加1。当图像空间中所有的像素都经过霍夫变换后，对网格单元进行检查，累加计数值最大的网格，其坐标值（ρ0, θ0）就对应图像空间中所求的直线。如图所示，为一个离散化过程。

霍夫变换直线检测步骤示例

五、实验步骤

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
#二值化图像（Canny边缘检测）
src = cv.imread("C:\\Users\\aslon\\Pictures\\Saved Pictures\\tizi.png")
img = src.copy()
# 二值化图像（Canny边缘检测）
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
dst_img = cv.Canny(gray_img, 50, 150)
# 霍夫线变换
lines = cv.HoughLines(dst_img, 2, np.pi / 180, 300)
# 将检测的线绘制在原图上
for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    # 找两个点
    x0 = rho * a
    y0 = rho * b
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * a)
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * a)
    cv.line(img, (x1, y1), (x2, y2), (255, 0, 0), 3)
# 显示图像
plt.subplot(311), plt.imshow(src, 'gray'), plt.title('src_img'), plt.axis('off')
plt.subplot(312), plt.imshow(dst_img, 'gray'), plt.title('canny_img'), plt.axis('off')
plt.subplot(313), plt.imshow(img, 'gray'), plt.title('HoughLines_img'), plt.axis('off')
plt.show()

待检测的图片为：