Python下opencv使用hough變換檢測直線與圓

function mean_circle = hough_circle(BW,step_r,step_angle,r_min,r_max,p)
%------------------------------算法概述-----------------------------
% 該算法通過a = x-r*cos(angle)，b = y-r*sin(angle)將圓圖像中的邊緣點
% 映射到參數(shù)空間(a,b,r)中，由于是數(shù)字圖像且采取極坐標，angle和r都取
% 一定的范圍和步長，這樣通過兩重循環(huán)（angle循環(huán)和r循環(huán)）即可將原圖像
% 空間的點映射到參數(shù)空間中，再在參數(shù)空間（即一個由許多小立方體組成的
% 大立方體)中尋找圓心，然后求出半徑坐標。
%-------------------------------------------------------------------
%------------------------------輸入?yún)?shù)-----------------------------
% BW:二值圖像；
% step_r:檢測的圓半徑步長  
% step_angle:角度步長，單位為弧度   :各度計算  1° = 0.0174 
%                                              2° = 0.035  
%                                              3° = 0.0524
%                                              4° = 0.0698
%                                              5° = 0.0872
% r_min:最小圓半徑
% r_max:最大圓半徑
% p:以p*hough_space的最大值為閾值，p取0，1之間的數(shù)
%-------------------------------------------------------------------
%          --------對半徑的大小范圍規(guī)定問題--------
%         ------ 實驗中發(fā)現(xiàn)：外輪廓的半徑范圍在220~260之間   
%                           內(nèi)輪廓的半徑范圍 60~80之間   
%    Note：：  當圖像改變時半徑范圍需要改變
%    question： 半徑的范圍差超過50將會顯示內(nèi)存不足，注意方案辦法
%------------------------------輸出參數(shù)-----------------------------
% hough_space:參數(shù)空間，h(a,b,r)表示圓心在(a,b)半徑為r的圓上的點數(shù)
% hough_circl:二值圖像，檢測到的圓
% para:檢測到的所有圓的圓心、半徑
% mean_circle ： 返回檢測到的圓的平均位置及大小
%-------------------------------------------------------------------

[m,n] = size(BW);  %取大小
size_r = round((r_max-r_min)/step_r)+1; %半徑增加，循環(huán)次數(shù)
size_angle = round(2*pi/step_angle);    %角度增加，循環(huán)次數(shù)
hough_space = zeros(m,n,size_r);       %hough空間
[rows,cols] = find(BW);%把要檢測的點存起來，只有白色（邊緣）點需要變換
ecount = size(rows);   %檢測的點的個數(shù)

tic    %%%% 計時開始位置 
% Hough變換
% 將圖像空間(x,y)對應(yīng)到參數(shù)空間(a,b,r)
% a = x-r*cos(angle)
% b = y-r*sin(angle)
for i=1:ecount      %點個數(shù)循環(huán)
    for r=1:size_r   %單個點在所有半徑空間內(nèi)檢測
        for k=1:size_angle  %單個點在半徑一定的所在圓內(nèi)檢測
            a = round(rows(i)-(r_min+(r-1)*step_r)*cos(k*step_angle));
            b = round(cols(i)-(r_min+(r-1)*step_r)*sin(k*step_angle));
            if(a>0a=mb>0b=n)   %對應(yīng)到某個圓上，記錄之
                hough_space(a,b,r) = hough_space(a,b,r)+1;
            end
        end
    end
end
% 搜索超過閾值的聚集點
max_para = max(max(max(hough_space)));%找到最大值所在圓參數(shù)
index = find(hough_space>=max_para*p);%索引在一定范圍內(nèi)的圓參數(shù)
length = size(index);
toc  %%%% 計時結(jié)束位置，通過計時觀察運行效率，hough變換的一大缺點就是耗時

% 將索引結(jié)果轉(zhuǎn)換為對應(yīng)的行列（圓心）和半徑大小
% 理解三維矩陣在內(nèi)存中的存儲方式可以理解公式的原理
for k=1:length
    par3 = floor(index(k)/(m*n))+1;
    par2 = floor((index(k)-(par3-1)*(m*n))/m)+1;%轉(zhuǎn)換為圓心的y值
    par1 = index(k)-(par3-1)*(m*n)-(par2-1)*m;%轉(zhuǎn)換為圓心的x值
    par3 = r_min+(par3-1)*step_r; %轉(zhuǎn)化為圓的半徑
    %儲存在一起
    para(:,k) = [par1,par2,par3]';
end
% 為提高準確性，求取一個大致的平均位置（而不是直接采用的最大值）
mean_circle = round(mean(para')');

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('line.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度圖像 
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLines(edges,1,np.pi/180,160)
lines1 = lines[:,0,:]#提取為為二維
for rho,theta in lines1[:]: 
a = np.cos(theta)
b = np.sin(theta)
x0 = a*rho
y0 = b*rho
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),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('room.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度圖像 
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=60,maxLineGap=10)
lines1 = lines[:,0,:]#提取為二維
for x1,y1,x2,y2 in lines1[:]: 
    cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius) 

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('eye.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度圖像 

plt.subplot(121),plt.imshow(gray,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
circles1 = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,
100,param1=100,param2=30,minRadius=200,maxRadius=300)
circles = circles1[0,:,:]#提取為二維
circles = np.uint16(np.around(circles))#四舍五入，取整
for i in circles[:]: 
    cv2.circle(img,(i[0],i[1]),i[2],(255,0,0),5)#畫圓
    cv2.circle(img,(i[0],i[1]),2,(255,0,255),10)#畫圓心

plt.subplot(122),plt.imshow(img)
plt.xticks([]),plt.yticks([])