目錄霍夫直線檢測點和線的對偶性極坐標參數方程API操作效果霍夫直線檢測點和線的對偶性 圖像空間中的點，對應霍夫空間中的直線 圖像空間中的直線，對應霍夫空間中的點 共點的直線，在霍夫空間中對應的點在一條直線上 共線的點，在霍夫空間中對應的直線交于一點

極坐標參數方程

對于平面中的一條直線，在笛卡爾坐標中，常見的有點斜式，兩點式兩種表示方法。然而在霍夫變換中，考慮的是另外一種表示方式：使用（r, theta）來表示一條直線。其中r為該直線到原點的距離，theta為該直線的垂線與x軸的夾角。如下圖所示：

根據霍夫變換原理，利用極坐標形式表示直線時，在圖像空間中經過某一點的所有直線映射到參數空間中是一個正弦曲線。圖像空間中直線上的兩個點在參數空間中映射的兩條正弦曲線相交于一點。

通過上述的變換過程，將圖像中的直線檢測轉換成了在參數空間中尋找某個點 通過的正線曲線最多的問題。由于在參數空間內的曲線是連續的，而在實際情況中圖像的像素是離散的，因此我們需要將參數空間的坐標軸進行離散化，用離散后的方格表示每一條正弦曲線。首先尋找符合條件的網格，之后尋找該網格對應的圖像空間中所有的點，這些點共同組成了原圖像中的直線。

由此可見，霍夫變換算法檢測圖像中的直線主要分為4個步驟

將參數空間的坐標軸離散化，例如theta=0,10,20……， r=0.1,0.2,0.3…… 將圖像中每個非0像素通過映射關系求取在參數空間通過的方格。 統計參數空間內每個方格出現的次數，選取次數大于某一閾值的方格作為表示直線的方格。 將參數空間中表示直線的方格的參數作為圖像中直線的參數。

霍夫檢測具有抗干擾能力強，對圖像中直線的殘缺部分、噪聲以及其它共存的非直線結構不敏感，能容忍特征邊界描述中的間隙，并且相對不受圖像噪聲影響等優點，但是霍夫變換的時間復雜度和空間復雜度都很高，并且檢測精度受參數離散間隔制約。離散間隔較大時會降低檢測精度，離散間隔較小時雖然能提高精度，但是會增加計算負擔，導致計算時間邊長

API

public static void HoughLines(Mat image, Mat lines, double rho, double theta, int threshold, double srn, double stn, double min_theta) 參數一：image，待檢測直線的原圖像，必須是CV_8U的單通道圖像. 參數二：lines，霍夫變換檢測到的直線輸出量，每一條直線都由兩個或者三個參數表示。第一個表示直線距離坐標原點的距離 ，第二個表示坐標原點到直線的垂線與x軸的夾角，若有第三個，則表示累加器的數值。

參數三：rho，距離分辨率，以像素為單位，距離離散化時的單位長度 參數四：theta，角度分辨率，以弧度為單位，夾角離散化時的單位角度。 參數五：threshold，累加器的閾值，即參數空間中離散化后每個方格被通過的累計次數大于該閾值時將被識別為直線，否則不被識別為直線。 參數六：srn，對于多尺度霍夫變換算法中，該參數表示距離分辨率的除數，粗略的累加器距離分辨率是第三個參數rho，精確的累加器分辨率是rho/srn。這個參數必須是非負數，默認參數為0。 參數七：stn，對于多尺度霍夫變換算法中，該參數表示角度分辨率的除數，粗略的累加器距離分辨率是第四個參數rho，精確的累加器分辨率是rho/stn。這個參數必須是非負數，默認參數為0。當這個參數與第六個參數srn同時為0時，此函數表示的是標準霍夫變換。 參數八：min_theta，檢測直線的最小角度，默認參數為0。 參數九：max_theta，檢測直線的最大角度，默認參數為CV_PI，是OpenCV 4中的默認數值具體為3.1415926535897932384626433832795。

使用標準霍夫變換和多尺度霍夫變換函數HoughLins()提取直線時無法準確知道圖像中直線或者線段的長度，只能得到圖像中是否存在符合要求的直線以及直線的極坐標解析式。如果需要準確的定位圖像中線段的位置，HoughLins()函數便無法滿足需求。但是OpenCV 4提供的漸進概率式霍夫變換函數HoughLinesP()可以得到圖像中滿足條件的直線或者線段兩個端點的坐標，進而確定直線或者線段的位置。

public static void HoughLinesP(Mat image, Mat lines, double rho, double theta, int threshold, double minLineLength, double maxLineGap)

參數一：image，待檢測直線的原圖像，必須是CV_8U的單通道圖像.

參數二：lines，輸出線段。每條線由4元素表示。如下，分別代表每個線段的兩個端點

參數三：rho，距離分辨率，以像素為單位，距離離散化時的單位長度 參數四：theta，角度分辨率，以弧度為單位，夾角離散化時的單位角度。 參數五：threshold，累加器的閾值，即參數空間中離散化后每個方格被通過的累計次數大于該閾值時將被識別為直線，否則不被識別為直線。該累積數越大，則得到的直線可能就越長。 參數六：minLineLength，表示可以檢測的最小線段長度，根據實際需要進行設置。 參數七：maxLineGap，表示線段之間的最大間隔像素，假設5表示小于5個像素的兩個相鄰線段可以連接起來。操作

package cn.onlyloveyd.demo.uiimport android.os.Bundleimport androidx.appcompat.app.AppCompatActivityimport androidx.databinding.DataBindingUtilimport cn.onlyloveyd.demo.Rimport cn.onlyloveyd.demo.databinding.ActivityHoughLineBindingimport cn.onlyloveyd.demo.ext.showMatimport org.opencv.android.Utilsimport org.opencv.core.Matimport org.opencv.core.Pointimport org.opencv.core.Scalarimport org.opencv.imgproc.Imgprocimport kotlin.math.cosimport kotlin.math.roundToIntimport kotlin.math.sin/** * 霍夫直線檢測 * author: yidong * 2020/7/18 */class HoughLineDetectActivity : AppCompatActivity() { private lateinit var mBinding: ActivityHoughLineBinding private lateinit var mGray: Mat private lateinit var mEdge: Mat override fun onCreate(savedInstanceState: Bundle?) {super.onCreate(savedInstanceState)mBinding = DataBindingUtil.setContentView(this, R.layout.activity_hough_line)mBinding.presenter = thismGray = Mat()mEdge = Mat()val bgr = Utils.loadResource(this, R.drawable.book)Imgproc.cvtColor(bgr, mGray, Imgproc.COLOR_BGR2GRAY)mBinding.ivLena.showMat(mGray)Imgproc.Canny(mGray, mEdge, 80.0, 150.0, 3, false) } override fun onDestroy() {mGray.release()mEdge.release()super.onDestroy() } fun doHoughLineDetect() {title = 'HoughLine'val lines = Mat()Imgproc.HoughLines(mEdge, lines, 1.0, Math.PI / 180.0, 150)val out = Mat.zeros(mGray.size(), mGray.type())val data = FloatArray(2)for (i in 0 until lines.rows()) { lines.get(i, 0, data) val rho = data[0] // 直線距離坐標原點的距離 val theta = data[1] // 直線過坐標原點垂線與x軸夾角 val a = cos(theta.toDouble()) //夾角的余弦值 val b = sin(theta.toDouble()) //夾角的正弦值 val x0 = a * rho //直線與過坐標原點的垂線的交點 val y0 = b * rho val pt1 = Point() val pt2 = Point() pt1.x = (x0 + 1000 * (-b)).roundToInt().toDouble() pt1.y = (y0 + 1000 * (a)).roundToInt().toDouble() pt2.x = (x0 - 1000 * (-b)).roundToInt().toDouble() pt2.y = (y0 - 1000 * (a)).roundToInt().toDouble() Imgproc.line(out, pt1, pt2, Scalar(255.0, 255.0, 255.0), 2, Imgproc.LINE_AA, 0)}mBinding.ivResult.showMat(out)out.release()lines.release() } fun doHoughLinePDetect() {title = 'HoughLineP'val lines = Mat()Imgproc.HoughLinesP(mEdge, lines, 1.0, Math.PI / 180.0, 100, 50.0, 10.0)val out = Mat.zeros(mGray.size(), mGray.type())for (i in 0 until lines.rows()) { val data = IntArray(4) lines.get(i, 0, data) val pt1 = Point(data[0].toDouble(), data[1].toDouble()) val pt2 = Point(data[2].toDouble(), data[3].toDouble()) Imgproc.line(out, pt1, pt2, Scalar(255.0, 255.0, 255.0), 2, Imgproc.LINE_AA, 0)}mBinding.ivResult.showMat(out)out.release()lines.release() }}效果

以上就是Android基于OpenCV實現霍夫直線檢測的詳細內容，更多關于Android OpenCV實現霍夫直線檢測的資料請關注好吧啦網其它相關文章！