Python 如何在OpenCV中检测线条？

我正在尝试检测停车场中的线路，如下所示

我希望得到的是清晰的线和（x，y）在交叉线中的位置。然而，结果不是很有希望

我想这主要是因为两个原因：

有些线路断裂或缺失。甚至人眼也能看得很清楚 识别他们。即使HoughLine可以帮助连接一些缺失的 线，因为HoughLine有时会连接不必要的线 总的来说，我更愿意手工操作

有一些重复的台词

本工程的总管道如下所示：

1.选择一些特定的颜色（白色或黄色）

2.重复扩张和侵蚀，直到图像无法更改（）

3.应用canny过滤线，并使用HoughLinesP获取线

---

我想知道为什么在选择某种颜色的第一步之后，线条就断了，而且有噪音。我认为在这一步中，我们应该做一些事情，使断线成为一条完整的、噪音更小的线。然后试着用一些东西来做Canny和Hough线。有什么想法吗？

如果调整maxLineGap或内核的大小，会发生什么。或者，您可以找到线之间的距离。你必须通过线对，比如ax1，ay1到ax2，ay2 c.f.bx1，by1到bx2，by2，你可以找到与a成直角的梯度（-1相对于线的梯度）与b线相交的点。基础学校几何和联立方程，类似：

x = (ay1 - by1) / ((by2 - by1) / (bx2 - bx1) + (ax2 - ax1) / (ay2 - ay1))
# then
y = by1 + x * (by2 - by1) / (bx2 - bx1)

并将x，y与ax1，ay1进行比较

---

PS您可能需要添加检查ax1、ay1和bx1之间的距离，by1，因为您的一些行看起来是其他行的延续，这些可能会被最近点技术消除。

我不确定您到底在问什么，因为您的帖子中没有问题

检测线段的一种好的、健壮的技术是LSD（线段检测器），它自openCV 3起就在openCV中可用

这里有一些简单的C++基础代码，很容易转换为python：

int main(int argc, char* argv[])
{
    cv::Mat input = cv::imread("C:/StackOverflow/Input/parking.png");
    cv::Mat gray;
    cv::cvtColor(input, gray, CV_BGR2GRAY);


    cv::Ptr<cv::LineSegmentDetector> det;
    det = cv::createLineSegmentDetector();



    cv::Mat lines;
    det->detect(gray, lines);

    det->drawSegments(input, lines);

    cv::imshow("input", input);
    cv::waitKey(0);
    return 0;
}

intmain（intargc，char*argv[]）
{
cv:：Mat input=cv:：imread（“C:/StackOverflow/input/parking.png”）；
cv：：席灰色；
cv:：CVT颜色（输入，灰色，cv_bgr2灰色）；
cv：：Ptr-det；
det=cv:：createLineSegmentDetector（）；
cv：：垫线；
检测->检测（灰色、线条）；
数据->绘图段（输入，行）；
cv:：imshow（“输入”，输入）；
cv:：waitKey（0）；
返回0；
}

给出这个结果：

---

哪个看起来比你的图像更适合进一步处理（没有线条重复等）。

这是我的管道，也许它可以给你一些帮助

首先，获取灰度图像并处理高斯模糊。

img = cv2.imread('src.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray,(kernel_size, kernel_size),0)

low_threshold = 50
high_threshold = 150
edges = cv2.Canny(blur_gray, low_threshold, high_threshold)

# Draw the lines on the  image
lines_edges = cv2.addWeighted(img, 0.8, line_image, 1, 0)

其次，使用Canny进行边缘检测。

img = cv2.imread('src.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray,(kernel_size, kernel_size),0)

low_threshold = 50
high_threshold = 150
edges = cv2.Canny(blur_gray, low_threshold, high_threshold)

# Draw the lines on the  image
lines_edges = cv2.addWeighted(img, 0.8, line_image, 1, 0)

然后，使用HoughLinesP获取线条。您可以调整参数以获得更好的性能

rho = 1  # distance resolution in pixels of the Hough grid
theta = np.pi / 180  # angular resolution in radians of the Hough grid
threshold = 15  # minimum number of votes (intersections in Hough grid cell)
min_line_length = 50  # minimum number of pixels making up a line
max_line_gap = 20  # maximum gap in pixels between connectable line segments
line_image = np.copy(img) * 0  # creating a blank to draw lines on

# Run Hough on edge detected image
# Output "lines" is an array containing endpoints of detected line segments
lines = cv2.HoughLinesP(edges, rho, theta, threshold, np.array([]),
                    min_line_length, max_line_gap)

for line in lines:
    for x1,y1,x2,y2 in line:
    cv2.line(line_image,(x1,y1),(x2,y2),(255,0,0),5)

最后，在图像上画线。

img = cv2.imread('src.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray,(kernel_size, kernel_size),0)

low_threshold = 50
high_threshold = 150
edges = cv2.Canny(blur_gray, low_threshold, high_threshold)

# Draw the lines on the  image
lines_edges = cv2.addWeighted(img, 0.8, line_image, 1, 0)

这是我最后的表演

最终图像：

---

对于你问题的第一部分，这里有一些很好的答案，但对于第二部分（寻找直线交点），我看不到太多

我建议你看看算法

有一些python实现的算法和

编辑：使用VeraPoseidon的Houghlines实现和此处链接的第二个库，我成功地获得了以下交叉点检测结果。这要归功于维拉和图书馆作者的出色工作。绿色正方形表示检测到的交点。有一些错误，但这对我来说似乎是一个非常好的起点。似乎您实际想要检测交叉口的大多数位置都检测到多个交叉口，因此您可能可以在图像上运行一个大小合适的窗口，查找多个交叉口，并将真实交叉口视为激活该窗口的位置

下面是我用来生成该结果的代码：

import cv2
import numpy as np
import isect_segments_bentley_ottmann.poly_point_isect as bot


img = cv2.imread('parking.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

kernel_size = 5
blur_gray = cv2.GaussianBlur(gray,(kernel_size, kernel_size),0)

low_threshold = 50
high_threshold = 150
edges = cv2.Canny(blur_gray, low_threshold, high_threshold)

rho = 1  # distance resolution in pixels of the Hough grid
theta = np.pi / 180  # angular resolution in radians of the Hough grid
threshold = 15  # minimum number of votes (intersections in Hough grid cell)
min_line_length = 50  # minimum number of pixels making up a line
max_line_gap = 20  # maximum gap in pixels between connectable line segments
line_image = np.copy(img) * 0  # creating a blank to draw lines on

# Run Hough on edge detected image
# Output "lines" is an array containing endpoints of detected line segments
lines = cv2.HoughLinesP(edges, rho, theta, threshold, np.array([]),
                    min_line_length, max_line_gap)
print(lines)
points = []
for line in lines:
    for x1, y1, x2, y2 in line:
        points.append(((x1 + 0.0, y1 + 0.0), (x2 + 0.0, y2 + 0.0)))
        cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 5)

lines_edges = cv2.addWeighted(img, 0.8, line_image, 1, 0)
print(lines_edges.shape)
#cv2.imwrite('line_parking.png', lines_edges)

print points
intersections = bot.isect_segments(points)
print intersections

for inter in intersections:
    a, b = inter
    for i in range(3):
        for j in range(3):
            lines_edges[int(b) + i, int(a) + j] = [0, 255, 0]

cv2.imwrite('line_parking.png', lines_edges)

您可以使用类似于此的代码块的策略来删除小区中的多个十字路口：

for idx, inter in enumerate(intersections):
    a, b = inter
    match = 0
    for other_inter in intersections[idx:]:
        c, d = other_inter
        if abs(c-a) < 15 and abs(d-b) < 15:
            match = 1
            intersections[idx] = ((c+a)/2, (d+b)/2)
            intersections.remove(other_inter)

    if match == 0:
        intersections.remove(inter)

对于idx，内部枚举（交叉点）：
a、 b=国际
匹配=0
对于交叉口内的其他交叉口[idx:]：
c、 d=其他
如果abs（c-a）<15且abs（d-b）<15：
匹配=1
交叉口[idx]=（（c+a）/2，（d+b）/2）
交叉点。移除（其他交叉点）
如果匹配==0：
交叉点。移除（内部）

输出图像：

不过，您必须使用窗口功能。

我是初学者。 我得到了一些可能对这个问题有帮助的东西

一种检测图像中线条的简单方法

下面是在GoogleColab中执行的代码

import cv2
import numpy as np
from google.colab.patches import cv2_imshow
!wget  https://i.stack.imgur.com/sDQLM.png
#read image 
image = cv2.imread( "/content/sDQLM.png")

#convert to gray
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#performing binary thresholding
kernel_size = 3
ret,thresh = cv2.threshold(gray,200,255,cv2.THRESH_BINARY)  

#finding contours 
cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

#drawing Contours
radius =2
color = (30,255,50)
cv2.drawContours(image, cnts, -1,color , radius)
# cv2.imshow(image) commented as colab don't support cv2.imshow()
cv2_imshow(image)
# cv2.waitKey()

---

检查这张纸：你不需要检测边缘，你可以直接在二值图像上使用

HoughLinesP

，哟，检查我的更新答案。我认为这在某种程度上符合你想要的交叉口检测。交叉口？可能您可以按角度和距离对线段进行分组（此外，可能还有houghLines，但随后再次对分组线段进行操作），如果您知道停车位标记的总体外观，则可以执行透视校正，这将使比较和分组线段更容易。总的来说，应该有一些“格式塔理论”的方法，但afaik的研究还不算太远……然而，Python中不推荐使用LSDDetector，OpenCVT尚未测试，但EDLines可能会很好，太：如何在节点JS中执行相同的过程如何导入isect_segments_bentley_ottmann？您只需下载此处链接的库并将其添加到项目中即可。从那里引用它。