Image processing 解释霍夫变换

我只是在冒险，向计算机视觉迈出了第一小步。我试着自己实现Hough变换，但我就是不了解全部情况。我读了维基百科的条目，甚至读了理查德·杜达和彼得·哈特最初的“使用霍夫变换检测图片中的线条和曲线”，但没有起到任何作用

---

有人能用更友好的语言给我解释一下吗？

通常认为直线是直角坐标系，即y=mx+b。正如维基百科的文章所说，线条也可以用极坐标表示。Hough变换利用了这种表示形式的变化（不管怎样，对于直线。讨论也可以应用于圆、椭圆等）

Hough变换的第一步是将图像缩小为一组边。Canny边缘检测器是一种常见的选择。生成的边缘图像用作Hough过程的输入

总之，边缘图像中“照亮”的像素被转换为极坐标形式，即它们的位置用方向θ和距离r表示，而不是用x和y表示。（图像中心通常用作此坐标更改的参考点。）

Hough变换本质上是直方图。假设映射到相同θ和r的边缘像素定义图像中的一条线。为了计算发生频率，θ和r被离散化（划分为若干个存储单元）。将所有边缘像素转换为极坐标形式后，将分析箱子以确定原始图像中的线条

通常会查找N个最频繁的参数-或忽略计数小于某些N的阈值参数

---

我不确定这个答案是否比您最初提供的来源更好-您是否有一个特别的点被卡住了？

Hough变换是一种寻找最可能的值的方法，这些值表示一条线（或一个圆，或许多其他东西）

将线的图片作为输入提供给Hough变换。此图片将包含两种类型的像素：一种是线条的一部分，另一种是背景的一部分

对于作为线条一部分的每个像素，计算所有可能的参数组合。例如，如果坐标（1100）处的像素是该线的一部分，则该像素可能是梯度（m）=0且y截距（c）=100的线的一部分。它也可能是m=1，c=99的一部分；或m=2，c=98；或m=3，c=97；等等您可以解直线方程y=mx+c，以找到所有可能的组合

每个像素对可以解释它的每个参数（m和c）投一票。所以你可以想象，如果你的线条有1000个像素，那么m和c的正确组合将有1000个投票

---

投票最多的m和c的组合是作为行的参数返回的

这里有一个非常基本的、直观的解释，说明Hough变换如何检测图像中的线条：

---

这里有另一个视角（电视剧《数字》试播插曲中使用的视角）：想象一下，早些时候，草坪上的某个地方有一个类似喷泉的草坪洒水器，在其周围喷射出水滴。现在洒水器不见了，但水滴依然存在。想象一下，把每一滴水都变成自己的洒水器，自己在自己周围喷射出水滴——向各个方向喷射，因为水滴不知道它来自哪个方向。这将使大量的水稀薄地散布在地面上，除非有一个地方，所有水滴都会同时撞击大量的水。那个地方就是原来的喷水器所在的地方

---

（例如）线路检测的应用类似。图像中的每个点都是一个原始液滴；当它充当洒水器时，它会发出自己的水滴，标记可能通过该点的所有线条。大量次级液滴降落的位置表示通过大量图像点的直线的参数-瞧！检测到线路

你的回答很好。它再次证明了我在别处读到的东西。下面Ray H提供的答案也告诉了我一些我难以想象的事情：所有可能的参数组合都是计算出来的。因此，我的头脑变得更加清晰，只需通过不同的方式来听。有一个很酷的javascript工具，可以在一个很好的例子中查看投票空间！可能需要一点，您提到了沿边绘制线，并将这些边显示为点，这很好，但事实上这些线只是与该边相切。@mlai，您创建了此图像吗？如果可以，我可以用它来写硕士论文，如果不行，你能告诉我你从哪里得到的，我喜欢它？！？！Thanks@ScottAlistair谢谢是的，我自己做的。请随意为你的论文使用它。精彩的解释。这是难以置信的mlai，谢谢你把它放在一起。