霍夫變換的案例
基于matlab機器學習圖像處理的傳統模擬儀表數字讀取系統
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 難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系
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 基于Python的復雜環境中車道線自動檢測系統
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 3D目標檢測綜述：從數據集到2D和3D方法
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 
OpenCV圖像處理編程實例PDF文檔高清下載
. 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 提高檢測小型透明注塑件缺陷的方法
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] 。綜上所述，基于傳統器視覺的檢測技術大多針對特性類型產品、特定外觀缺陷的檢測，模型可遷移性不強。隨著深度學習技術的發展，基于深度學習的檢測技術已逐漸取代傳統的機器視覺檢測技術，并廣泛應用于圖像分類 [10] 、測 [11] 與分割 [12] 等領域。
近年來，專家學者針對如何利用深度學習技術準確識別注塑件缺陷進行了大量研究，但針對小型透明注塑件缺陷檢測的文獻鮮有報道。為此，本文提出一種基于特征融合的小型透明注塑件缺陷檢測技術首，對小型透明注塑件進行局部成像從而提高局部區的圖像分辨率；其次，利用特征融合網絡將不同層特征圖變換到同一尺寸，從而提高缺陷的定位精度與識別準確率；最后，利用缺陷生成和分類網絡檢測頭對缺陷的位置和類型進行自動識別，提高了小型透明注塑件缺陷檢測的召回率與準確率。
展開 無人水面艇感知技術發展綜述
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。
為了使USV在水面上航行時避開障礙物，Dong等[19]提出了一種通過在USV上使用攝像機檢測自然環境下的河岸，從而實現自動導航避障的海岸線檢測方法。研究了基于單目攝像機的彩色圖像水岸線檢測，其結果也可以作為移動障礙物檢測、避障以及多傳感器信息融合的基礎，比傳統的LOG算法更快、更準確，并且可以提高河岸定位的準確性，該方法的檢測率可以達到82.3%，但是當水反射光非常強時，該算法會部分失效。近年來，本文作者為解決水面反射問題展開深入研究，取得了一定效果，如圖4所示。
1.2 面向作業功能的目標檢測
此外，面向作業場景中的目標檢測，Murphy等[20]討論了水上、水下和空中航行器的協作使用，結合USV進行橋梁檢測，并提出了用于橋梁檢查的全功能USV的7個里程碑式改進：標準化任務載荷，橋梁狀態監測，通過改進人機交互來實現遠程操作，增加3-D避障，改善定位能力，處理大型數據以及支持協同感知。
圖4 岸線檢測結果
Fig.4 Coastline detection results
同年，Heidarsson等[21]提出了一種用于USV障礙物檢測和避障的單波束主動聲吶，體現USV僅依靠聲吶數據來導航和避開湖泊及港口環境中障礙物的潛力，還提出了一種可以通過對俯拍圖像進行分類，學習障礙物地圖的用于USV的技術。
展開 無人機輸電線路智能巡檢技術綜述
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，并通過對比當前圖像與已知參考高度下獲取的參考圖像中平行導線間隙的變化估算當前導線與鏡頭的距離(假定平行導線間隙不變)；并在后續研究[38]中使用高斯濾波及Gabor背景濾除改進了電力線提取算法，并融合慣性導航數據進行距離估算，但該方法需要將圖像傳至地面站處理，且無法在接近桿塔的區域使用.Nasseri等[39]提出一種基于粒子濾波的無人機航拍電力線檢測和跟蹤方法.Valipour等[36]提出一種基于高斯可控濾波器與概率霍夫線變換結合的導線檢測方法，并使用無跡卡爾曼濾波進行導線跟蹤.相較于無人機飛行于導線上方所獲得的俯拍圖像，無人機飛行于導線側面所采集的側拍圖像在大多數情況下背景更簡單，通常為單純的天空背景，雖然在側拍視角下導線失去了原本明顯的平行直線特征，但有效避免了復雜背景的干擾.利用這一特點，中科院譚民團隊[40]將無人機置于導線側面區域飛行，在簡單背景下進行導線提取，計算導線的消逝點(vanishing point，VP)，設計了一種基于深度學習技術的鐵塔檢測網絡Tower RCNN，結合VP與鐵塔檢測結果確定無人機飛行航向[41]；利用透視原理恢復輸電線之間的平行結構，通過計算當前幀與參考幀之間導線間隙變化與導線束相平面位移反推無人機與導線間的距離變化，從而控制導線與機體的安全距離[42].
展開 你真的理解圖像處理經典算法 SIFT 嗎？最深入、最全面綜述：尺度不變特征轉換
所有后面的對圖像數據的操作都相對于關鍵點的方向、尺度和位置進行變換，從而提供對于這些變換的不變性。
One or more orientations are assigned to each keypoint location based on local image gradient directions.All future operations are performed on image data that has been transformed relative to the assigned orientation, scale, and location for each feature, thereby providing invariance to these transformations.
④Keypoint descriptor--關鍵點描述符：
在每個關鍵點周圍的鄰域內，在選定的尺度上測量圖像局部的梯度，這些梯度被變換成為一種表示，這種表示允許比較大的局部形狀的變形和光照變化。
The local image gradients are measured at the selected scale in the region around each keypoint.
展開 