霍夫變換之直線檢測（Houghlines）

一、Hough變換概述

Hough變換是一種在圖像和計算機視覺領域中廣泛使用的技術，用於檢測圖像中的幾何形狀，例如圓、直線和曲線等。

經典的霍夫變換算法包括直線霍夫變換（Houghlines）和圓霍夫變換（Houghcircles），下面我們將詳細介紹Houghlines算法。

二、Houghlines算法原理

Houghlines算法可以用於檢測圖像中的直線，它的基本思想是將直線表示為參數空間中的一個點，並在這個空間中進行檢測。在Houghlines中，我們使用的是極坐標表示法，即每條直線可以表示為(r,θ)形式。r是從原點到直線的距離，θ是與x軸的夾角。

Houghlines算法的主要步驟如下：

三、Houghlines算法步驟

1、邊緣檢測

首先，需要使用Canny算子進行邊緣檢測，獲取到二值化的邊緣圖像。

import cv2
import numpy as np

# 讀取圖像
img = cv2.imread('image.jpg', 0)

# Canny算子邊緣檢測
edges = cv2.Canny(img, 50, 150, apertureSize=3)

2、霍夫變換

接下來，對於圖像中的每個邊緣點，我們將在(r,θ)參數空間中遍歷所有可能的值，並將得分存儲在一個二維數組中，該數組稱為累加器（accumulator）。

得分越高的(r,θ)組合表示檢測到的直線越強。經過閾值處理後，我們就可以從累加器中提取出最強的直線，這些直線的(r,θ)組合即為我們所需的結果。

# 霍夫變換
lines = cv2.HoughLines(edges, 1, np.pi/180, 200)

3、繪製直線

最後，我們可以將檢測到的直線繪製在原始圖像上，以便在實際應用中進行可視化。

# 繪製直線
for line in lines:
    r, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * r
    y0 = b * r
    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, 0, 255), 2)

四、應用場景

Houghlines算法可以在許多實際應用中使用，例如在機器人視覺中用於檢測牆壁，或者在自動駕駛汽車中用於檢測路標和車道線。

總之，霍夫變換是一種非常強大的圖像處理技術，可以在許多計算機視覺應用中使用。