我們在前面的《圖像的顏色選擇》、《圖像的感興趣區域》中提到了對車道線的檢測。

通過對原始行車圖像進行顏色選擇和感興趣區域的提取，得到了如下的車道線：

我們的車道線當然是一左一右兩條線。那怎樣從這個車道線圖像中提取出這2條線呢？

這就要談到“霍夫變換（Hough Transfrom）”?；舴蜃儞Q是1972年提出來的，最開始就是用來在圖像中過檢測直線，后來擴展能檢測圓、曲線等。

我們在初中數學中了解到，一條直線可以用如下的方程來表示：y=kx+b，k是直線的斜率，b是截距。

圖像是一個個離散的像素點構成的，如果在圖像中有一條直線，那也是一系列的離散點構成的。那么怎樣檢測這些離散的點構成了直線呢？

我們再看上面的直線方程：y=kx+b,(x,y)就是點。我們轉換下變成：b=-kx+y。我們是不是也可以把（k，b）看作另外一個空間中的點？這就是k-b參數空間。

我們看到，在x-y圖像空間中的一個點，變成了k-b參數空間中的一條直線，而x-y圖像空間中的2點連成的直線，變成了k-b參數空間中的一個交點。

如果x-y圖像空間中有很多點在k-b空間中相交于一點，那么這個交點就是我們要檢測的直線。這就是霍夫變換檢測直線的基本原理。

當然，有一個問題需要注意，圖像空間中如果一條直線是垂直的，那么斜率k是沒有定義的（或者說無窮大）。為了避免這個問題，霍夫變換采用了另一個參數空間：距離-角度參數空間。

我們在中學中學過，平面上的一個點也可以用距離-角度來定義，也就是極坐標：

那么在圖像中，每一個點都可以用距離和角度來表達：

但是，使用距離-角度后，點（x，y）與距離，角度的關系變成了：

ρ=xcosθ+ysinθρ=xcosθ+ysinθ
于是，在新的距離-角度參數空間中，圖像中的一個點變成了一個正弦曲線，而不是k-b參數空間中的直線了。這些正弦曲線的交點就是圖像空間中我們要檢測的直線了。

對于最開始的圖像，我們先用Canny進行邊緣檢測，較少圖像空間中需要檢測的點數量：

lane = cv2.imread("final_roi.png") # 高斯模糊，Canny邊緣檢測需要的 lane = cv2.GaussianBlur(lane, (5, 5), 0) # 進行邊緣檢測，減少圖像空間中需要檢測的點數量 lane = cv2.Canny(lane, 50, 150) cv2.imshow("lane", lane) cv2.waitKey()

import numpy as np rho = 1 # 距離分辨率 theta = np.pi / 180 # 角度分辨率 threshold = 10 # 霍夫空間中多少個曲線相交才算作正式交點 min_line_len = 10 # 最少多少個像素點才構成一條直線 max_line_gap = 50 # 線段之間的最大間隔像素 lines = cv2.HoughLinesP(lane, rho, theta, threshold, maxLineGap=max_line_gap) line_img = np.zeros_like(lane) for line in lines:for x1, y1, x2, y2 in line:cv2.line(line_img, (x1, y1), (x2, y2), 255, 1) cv2.imshow("line_img", line_img) cv2.waitKey()

總結

以上是生活随笔為你收集整理的Hough直线检测的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。