霍夫變換
關注創建者：胖子愛學習 創建時間：2019-01-06
霍夫變換的實例教程
表盤區域提取：
利用隨機霍夫變換（Random Hough Transform）檢測圖像中的圓形特征，通過隨機抽樣和概率技術提高圓形檢測的效率，確定表盤的位置和范圍。
指針骨架提取：
對表盤區域進行裁剪后，再次進行Canny邊緣檢測，然后使用形態學操作中的骨架提取技術（skel操作）來提取指針的中心線。
形態學處理：
使用bwmorph函數中的spur操作去除骨架上的細小分支（毛刺），通過閉運算填補小孔洞和斷裂點，改善圖像連通性，然后去除長度小于指定值的毛刺，清理圖像噪聲。
指針直線檢測：
應用霍夫變換檢測圖像中的直線，將每個點映射到參數空間，并找到參數空間中投票數最多的點，這些點代表了圖像中的直線。
指針定位：
根據指針是表盤中最長直線的特征，從檢測到的直線中篩選出指針。通過比較直線的長度，選擇最長的直線作為指針的位置。
算法實現與驗證：
在Matlab環境中實現上述算法，并通過仿真結果驗證指針提取的準確性。確保指針提取結果與實際指針高度擬合，滿足系統的識別要求。
指針提取算法的設計考慮了實際生產中圖像的復雜性，通過一系列圖像處理技術，有效地從背景中提取出指針，為準確讀取儀表的示數提供了基礎。
圖像預處理
表盤提取
指針識別
圖3 指針提取與識別結果圖
示數讀取算法設計
示數讀取算法是本研究中將圖像信息轉換為可讀數值的核心部分。以下是對示數讀取算法設計的概述：
圖4 示數讀取算法流程框圖
起始、終止刻度線的提取：
主刻度線的初步提取：利用霍夫變換檢測直線，初步確定表盤上的主刻度線，這些刻度線是識別起始和終止刻度線的基礎。
展開 16
霍夫變換
霍夫變換（Hough Transform）是圖像處理中的一種特征提取技術，該過程在一個參數空間中，通過計算累計結果的局部最大值，得到一個符合該特定形狀的集合，作為霍夫變換的結果。
本部分要學習的函數：
標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
累計概率霍夫變換 cv2.HoughLinesP() ；
霍夫圓變換 cv2.HoughCricles() 。
17
圖像直方圖計算及繪制
先掌握直方圖相關概念，在掌握核心函數，最后通過 matplotlib 模塊對直方圖進行繪制。計算直方圖用到的函數是 cv2.calcHist()。
展開 流程如下：
1）將幀轉換為灰度；
2）為黃色和白色像素創建蒙版；
3）應用高斯平滑；
4）應用Canny邊緣檢測；
5）創建一個額外的遮罩，以專注于車輛前方的“感興趣區域”；
6）將XY空間中的點（即像素）轉換為霍夫空間中的線；
7）霍夫空間中的線相交（即點）的地方，XY空間中存在一條線；
8）使用生成的線的極值，創建兩條平均線s；
9）在整個幀中創建兩條平均線，以實現流暢的視頻播放；10）在每幀上畫線。
從霍夫空間轉換后的原始線
可流暢播放的平均線
工作流程：
1）檢查霍夫返回的每條線，并根據其坡度確定是在左車道還是右車道。因為我們正在對陣列進行“上下顛倒”，所以左側車道的斜率為負，右側車道的正值為；2）極值；3）計算平均值；4）解決b截距；5）用極值求積分；6）流暢的幀和緩存。
從霍夫空間轉換后的原始視頻
可流暢播放的車道線視頻
困難版： 這篇文檔為自動駕駛汽車的車道線檢測和跟蹤提供了強大的解決方案。
步驟如下所示：
1）相機校準；2）失真校正；3）漸變和顏色閾值；4）透視變換；5）車道線搜索和搜索優化；6）繪制車道覆蓋。
相機校準
我們需要在棋盤上存儲對象點的數量或感興趣的位置。 僅考慮不在最外邊緣上的點。 對于此板，X軸上有9列，而7軸上有6行。 我們需要每種組合的（x，y，z）坐標列表（即板上唯一的位置）。
展開 霍夫變換（Hough transform）是圖像處理過程中一種識別圖像中幾何形狀的基本方法。舉個例子，針對人臉跟蹤問題，[13] 使用了一種基于梯度的霍夫變換來定位眼睛虹膜的位置。但是，對于非單視點（SVP）標準的圖像，這樣的變換無法直接用于特征識別。[14] 提出了一種解決該問題的數學模型。
雷登變換（Radon Transform）[15] 在醫學影像處理方面應用廣泛，它也可用于識別任務。[16] 使用雷登變換來進行視覺手勢識別，得到了很不錯的識別率。
Yin [17] 提出了一種跟蹤鼻子形狀的方法，以前的研究通常會忽略這個特征。這一研究使用面積增長方法來確定鼻子所在的區域，而鼻尖和鼻翼的形狀則是通過預定義模板分別提取。最后，再使用提取出的特征指示人臉跟蹤的效果。
一旦檢測到相關特征，就使用 Kanade–Lucas–Tomasi（KLT）等特征跟蹤器跟蹤下一幀中的特征。2005 年時，有作者 [18] 提出了一種方法，即使用高斯拉普拉斯算子（Laplace of Gaussian）和高斯加權函數來提升會受噪聲影響的 KLT 跟蹤性能。該加權函數耦合了邊緣特征，從而得到了一種用于選取最優加權函數的確定性公式。這種方法僅會增加少量計算時間，但卻為跟蹤性能帶來極大提升。
有時候，除了特征提取，還會涉及到圖像分割。[19] 描述了一種方法，即使用梯度向量流 - 蛇（GVF snake）模型來提取相關輪廓。通過加入邊緣檢測和使用氣道 CT 切片先驗知識的蛇位移（snake shifting）技術，作者對原始 GVF - 蛇方法進行了改進，得到了更好的結果。
展開 . 83
3.1.5 半閾值化. 84
3.2 直方圖處理. 85
3.2.1 灰度直方圖 85
3.2.2 H-S 直方圖. 88
3.2.3 BGR 直方圖.. 89
3.2.4 自定義直方圖.. 91
3.2.5 灰度直方圖均衡. 93
3.2.6 彩色直方圖均衡. 94
3.2.7 直方圖變換——查找 95
3.2.8 直方圖變換——累計 97
3.2.9 直方圖匹配 99
3.2.10 直方圖對比.. 101
3.2.11 直方圖的反向投影 105
3.3 距離變換 108
3.3.1 距離. 108
3.3.2 鄰接性 109
3.3.3 區域..110
3.3.4 距離變換——掃描..110
3.3.5 距離變換——distanceTransform..113
3.4 Gamma 校正.115
3.5 其他常見的灰度變換技術117
3.5.1 線性變換117
3.5.2 對數變換119
3.5.3 對比度拉伸. 121
3.5.4 灰度級分層. 124
3.5.5 灰度比特平面 125
3.6 實例應用 128
3.6.1 最大熵閾值分割.. 128
3.6.2 投影峰谷查找 131
3.7 小結. 134
第4 章進階篇——圖像平滑技術.. 135
4.1 圖像采樣 136
4.1.1 最近鄰插值. 136
4.1.2 雙線性插值. 138
4.1.3 插值操作性能對比. 140
4.1.4 圖像金字塔. 143
4.2 傅里葉變換.. 146
4.2.1 圖像掩碼操作 146
4.2.2 離散傅里葉. 149
4.2.3 圖像卷積.. 151
4.3 圖像噪聲 153
4.3.1 椒鹽噪聲.. 153
4.3.2 高斯噪聲.. 155
4.4 空間平滑 157
4.4.1 盒濾波 157
4.4.2 均值濾波.. 159
4.4.3 中值濾波.. 159
4.4.4
展開 
霍夫變換的相關專題、標簽、搜索
霍夫變換的最新內容
接著，運用隨機霍夫變換技術對表盤區域進行精確定位，并進行裁剪處理。裁剪后的圖像再次經過預處理，利用形態學操作和霍夫變換技術提取出指針和表盤的主刻度線。
進一步地，通過K-means聚類算法對主刻度線的交點進行分析，以確定表盤的圓心位置。基于圓心的位置信息，識別出表盤的起始和終止刻度線。最終，利用角度測量法計算指針相對于起始和終止刻度線的位置，從而得出儀表的讀數。
相關學者結合改進的霍夫變換、輪擬合與亞像素處理等技術實現小型齒輪類注塑件的披鋒、缺齒與翹曲等缺陷的自動檢測 [5-6] ；也有學結合模板匹配與圖像分割技術，實現平板類注塑件的外觀缺陷檢測 [7-8] 。在注塑成形工業的模具保護方，通過模板匹配、特征匹配與輪廓檢測等技術實現模內異物或產品殘留的自動檢測 [9] 。
霍夫變換
在本節中，我們使用了霍夫變換和一些修改，以刪除水平檢測到的線和僅面向車道的線。
本部分要學習的函數：
標準霍夫變換、多尺度霍夫變換 cv2.HoughLines() ；
累計概率霍夫變換 cv2.HoughLinesP() ；
霍夫圓變換 cv2.HoughCricles() 。
霍夫變換（Hough transform）是圖像處理過程中一種識別圖像中幾何形狀的基本方法。舉個例子，針對人臉跟蹤問題，[13] 使用了一種基于梯度的霍夫變換來定位眼睛虹膜的位置。但是，對于非單視點（SVP）標準的圖像，這樣的變換無法直接用于特征識別。[14] 提出了一種解決該問題的數學模型。
Mei等[18]參考無人車邊界檢測的研究基礎，提出了一種適用于USV的基于特征和邊緣相結合的自適應海岸線檢測方法，通過采樣補丁進行顏色分割以自適應地提取河流邊界，結合顏色分割和霍夫變換獲得河流邊界定位信息，在理論上盡可能消除顏色隨時間和光照條件的變化產生的影響。該方法雖構建USV模型，但是目前尚未很好直接應用在USV控制系統中。
在塔間區域，線路上通常不會有大量復雜的電力設備，幾乎不存在巡檢視線遮擋等問題，該階段無人機也不需要知道其確切位置，僅需保持安全距離的情況下沿導線飛行即可.因此，該階段自主導航研究主要為輸電線提取、跟蹤和距離估計[30-35].為了更好地利用導線的平行直線特性[36]，這類研究通常以俯拍視角的電力線路為主要對象.Menendez等[37]搭建了一個以微縮模型作為目標的試驗平臺，使用邊緣增強和霍夫變換檢測圖像中的平行線實現電力線提取
對個體特征和通過已知目標特征組成的數據庫對比，使用鄰近算法(nearest-neior)進行特征匹配，然后根據霍夫變換(Hough Transform )識別屬于單一目標的聚類，最后通過最小二乘法(least-squares)對參數進行確認。
2.結論
在實時識別的過程中，無論識別物體是雜亂還是被遮擋，該方法都能識別出來，魯棒性很好。
基本邊緣檢測算子——Roberts 194
5.5 基本邊緣檢測算子——Prewitt. 195
5.6 改進邊緣檢測算子——Canny .. 198
5.6.1 Canny 算子.. 198
5.6.2 Canny 原理及實現.. 198
5.6.3 Canny 庫函數實現.. 203
5.7 改進邊緣檢測算子——Marr-Hildreth .. 204
5.8 幾何檢測 207
5.8.1 霍夫變換
