Matlab 高亮显示通过hough变换找到的线-OPENCV

在Matlab中，通过结合hough变换、hough峰值和hough线，可以在原始图像中显示检测到的线

这可以在下图中显示（使用Matlab的houghlines帮助中的示例代码生成）。检测到绿线。蓝色的是最长的：

我在生成的一张简单的合成图像（几个正方形等）上运行了cv:：HoughLines。图片附于此处：

相关代码部分为：

cv::vector<cv::Vec2f> lines;
cv::HoughLines(I_BW, lines, 1, CV_PI/180,200);
cv::Mat linesMat ( lines, true );

cv:：矢量线；
cv：：HoughLines（I_BW，lines，1，cv_PI/180200）；
cv：：Mat linesMat（线条，真实）；

查看linesMat矩阵（我将其转换为这种形式，以便使用image watch查看数据），同时运行for循环在边缘图像上添加红线，我看到ρ和θ按图像中最长直线的长度排序

我的输出是：

线条是图像的整个宽度（或高度）。我怎样才能像在Matlab示例中那样显示实际的线呢？ 我可以从ρ+θ回到x和y，但我必须以某种方式将它们与检测到的边缘等联系起来-也许有一种简单的方法可以做到这一点，但我没有

---

谢谢

您要寻找的是概率霍夫变换。在OpenCV中，它可以在下面找到。

塔乌菲克是正确的，我对他的答案投了赞成票。 在我读他的评论之前，我在OpenCV 2计算机视觉应用程序编程食谱中找到了答案

我选择我的答案作为答案，因为它更完整，以备将来参考

@塔乌菲克-再次感谢你，伙计

我将发布一个可能对其他人有用的代码片段（基于我在烹饪书中找到的解决方案。我只是编写了简短的版本，而不是烹饪书中优雅的类实现）

我还在这里添加了一个我编写的小函数，用于计算CDF，该函数用于在canny的Matlab实现中查找canny边缘检测器的高阈值和低阈值，结果很好。通常我在边缘检测之前也会进行高斯模糊（如Matlab中的canny.m中所示），但是附加的图像是综合完美的（没有噪声），因此在这里是多余的。 我选择了一个较高的最小投票值（“阈值”），因此只会找到4条长线

我们将从主函数中的代码开始：

cv::Mat image = cv::imread("shapes.jpg");
int bins = 256;
cv::Mat cdf = getGrayCDF(image,bins);
cv::Mat diffy = cdf>0.7;
cv::Mat NonZero_Locations;   // output, locations of non-zero pixels 
cv::findNonZero(diffy, NonZero_Locations);
double highThreshold = double((NonZero_Locations.at<cv::Point>(0).y))/bins;
double lowThreshold = 0.4*highThreshold;
cv::Mat contours;
// cv::GaussianBlur( image, contours, cv::Size(7,7),2 ); // NOT REQUIRED HERE. Syhnthetic image
cv::Canny( image, contours, lowThreshold*bins, highThreshold*bins);
std::vector<cv::Vec4i> lines;
double rho = 1; // delta_rho resolution
double theta = CV_PI/180; // delta_theta resolution
int threshold = 300; // threshold number of votes , I SET A HIGH VALUE TO FIND ONLY THE LONG LINES
double minLineLength = 0; // min length for a line
double maxLineGap = 2; // max allowed gap along the line
cv::HoughLinesP(contours,lines, rho, theta, threshold, minLineLength, maxLineGap); // running probabilistic hough line
if (image.channels()!=3) {cv::cvtColor(image,image,CV_GRAY2BGR);} // so we can see the red lines
int line_thickness = 2;
cv::Scalar color=cv::Scalar(0,0,255);
std::vector<cv::Vec4i>::const_iterator iterator_lines = lines.begin();
while (iterator_lines!=lines.end()) {
    cv::Point pt1((*iterator_lines)[0],(*iterator_lines)[1]);
    cv::Point pt2((*iterator_lines)[2],(*iterator_lines)[3]);
    cv::line( image, pt1, pt2, color, line_thickness);
    ++iterator_lines;
}
cv::imshow("found lines", image); cvWaitKey(0); cv::destroyWindow("found lines");

cv::Mat getGrayCDF(cv::Mat Input, int histSize){
cv::Mat InputGray = Input.clone();
if (InputGray.channels()!=1) {cv::cvtColor(Input,InputGray,CV_BGR2GRAY);}
float range[] = { 0, histSize  } ;
const float* histRange = { range };
bool uniform = true; bool accumulate = false;
cv::Mat hist;
calcHist( &InputGray, 1, 0, cv::Mat(), hist, 1, &histSize , &histRange, uniform, accumulate );
for (int i = 1; i < hist.rows; i++) {
    float* data = hist.ptr<float>(0);
    data[i] += data[i-1];
}
return hist/(InputGray.total()); // WE NOW HAVE A *NORMALIZED* COMPUTED CDF!
}

cv:：Mat image=cv:：imread（“shapes.jpg”）；
int bins=256；
cv:：Mat cdf=getGrayCDF（图像、箱子）；
cv:：Mat diffy=cdf>0.7；
cv:：Mat非零位置；//输出，非零像素的位置
cv：：findNonZero（不同的非零位置）；
double highThreshold=double（（0.y处的非零位置））/bin；
双低阈值=0.4*高阈值；
cv：：垫状轮廓；
//cv：：高斯模糊（图像，轮廓，cv：：大小（7,7），2）；//这里不需要。合成影像
cv:：Canny（图像、轮廓、低阈值*箱、高阈值*箱）；
std：：矢量线；
双rho=1；//delta_-rho分辨率
双θ=CV_PI/180；//δθ分辨率
整数阈值=300；//阈值投票数，我设置了一个高值，只找到长线
双minLineLength=0；//线的最小长度
双maxLineGap=2；//沿线允许的最大间隙
cv:：HoughLinesP（等高线、直线、菱形、θ、阈值、最小线长度、最大线间距）；//运行概率hough线
如果（image.channels（）！=3）{cv:：cvtColor（image，image，cv_GRAY2BGR）；}//那么我们可以看到红线
int line_厚度=2；
cv:：Scalar color=cv:：Scalar（0,0255）；
std:：vector:：const_迭代器迭代器_lines=lines.begin（）；
while（迭代器_line！=line.end（））{
cv:：点pt1（（*迭代器_线）[0]，（*迭代器_线）[1]）；
cv：：点pt2（（*迭代器_线）[2]，（*迭代器_线）[3]）；
cv：：线条（图像、pt1、pt2、颜色、线条厚度）；
++迭代器线；
}
cv：：imshow（“找到的线”，图像）；cvWaitKey（0）；cv:：destroyWindow（“找到的行”）；

我将以计算简单灰度累积分布函数的函数结束：

cv::Mat image = cv::imread("shapes.jpg");
int bins = 256;
cv::Mat cdf = getGrayCDF(image,bins);
cv::Mat diffy = cdf>0.7;
cv::Mat NonZero_Locations;   // output, locations of non-zero pixels 
cv::findNonZero(diffy, NonZero_Locations);
double highThreshold = double((NonZero_Locations.at<cv::Point>(0).y))/bins;
double lowThreshold = 0.4*highThreshold;
cv::Mat contours;
// cv::GaussianBlur( image, contours, cv::Size(7,7),2 ); // NOT REQUIRED HERE. Syhnthetic image
cv::Canny( image, contours, lowThreshold*bins, highThreshold*bins);
std::vector<cv::Vec4i> lines;
double rho = 1; // delta_rho resolution
double theta = CV_PI/180; // delta_theta resolution
int threshold = 300; // threshold number of votes , I SET A HIGH VALUE TO FIND ONLY THE LONG LINES
double minLineLength = 0; // min length for a line
double maxLineGap = 2; // max allowed gap along the line
cv::HoughLinesP(contours,lines, rho, theta, threshold, minLineLength, maxLineGap); // running probabilistic hough line
if (image.channels()!=3) {cv::cvtColor(image,image,CV_GRAY2BGR);} // so we can see the red lines
int line_thickness = 2;
cv::Scalar color=cv::Scalar(0,0,255);
std::vector<cv::Vec4i>::const_iterator iterator_lines = lines.begin();
while (iterator_lines!=lines.end()) {
    cv::Point pt1((*iterator_lines)[0],(*iterator_lines)[1]);
    cv::Point pt2((*iterator_lines)[2],(*iterator_lines)[3]);
    cv::line( image, pt1, pt2, color, line_thickness);
    ++iterator_lines;
}
cv::imshow("found lines", image); cvWaitKey(0); cv::destroyWindow("found lines");

cv::Mat getGrayCDF(cv::Mat Input, int histSize){
cv::Mat InputGray = Input.clone();
if (InputGray.channels()!=1) {cv::cvtColor(Input,InputGray,CV_BGR2GRAY);}
float range[] = { 0, histSize  } ;
const float* histRange = { range };
bool uniform = true; bool accumulate = false;
cv::Mat hist;
calcHist( &InputGray, 1, 0, cv::Mat(), hist, 1, &histSize , &histRange, uniform, accumulate );
for (int i = 1; i < hist.rows; i++) {
    float* data = hist.ptr<float>(0);
    data[i] += data[i-1];
}
return hist/(InputGray.total()); // WE NOW HAVE A *NORMALIZED* COMPUTED CDF!
}

cv:：Mat getGrayCDF（cv:：Mat Input，int histSize）{
cv:：Mat InputGray=Input.clone（）；
如果（InputGray.channels（）！=1）{cv:：cvtColor（Input，InputGray，cv_BGR2GRAY）；}
浮动范围[]={0，histSize}；
常量浮点*histRange={range}；
布尔一致=真；布尔累积=假；
cv：：Mat hist；
calcHist（&InputGray，1，0，cv:：Mat（），hist，1，&histSize，&histRange，uniform，accumulate）；
对于（int i=1；i

我对上述代码段的解决方案是：

希望你觉得这个有用