突出显示由霍夫变换找到的线条 - OPENCV

Question

在Matlab中,通过组合霍夫变换,houghpeaks和houghlines,可以在原始图像中显示检测到的线条.

这可以在下面的图像中显示(通过使用来自Matlab的houghlines帮助的示例代码生成).检测到绿线.蓝色的是最长的一个:

我在我生成的简单合成图像上运行了cv :: HoughLines(几个正方形等).图像附在此处:

相关代码部分是:

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

查看linesMat矩阵(我将其转换为此形式以便我可以使用图像监视来查看数据),同时运行for循环以在边缘图像上添加红线我看到rho和theta按最长的顺序排序图像中的线条.

我的输出是:

线条是图像的整个宽度(或高度).如何在Matlab示例中显示实际的行？我可以从rho + theta回到x和y,然后我必须以某种方式将它们链接到检测到的边缘等等 - 也许有一种简单的方法可以做到这一点,我错过了？

谢谢!

Answer 1

taoufik是正确的,我赞成他的答案.在我阅读他的评论之前,我实际上在OpenCV 2计算机视觉应用程序设计手册中找到了答案.

我选择我的答案作为答案,因为它更完整,以备将来参考.

@taoufik - 再次感谢,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cookbook中找到的解决方案.我只是编写了短版本,而不是来自cookbook的优雅类实现).

我还在这里添加了一个我写的小函数,它计算用于在Canny的Matlab实现中找到canny边缘检测器的高和低阈值的CDF,它给出了很好的结果.通常我也会在边缘检测之前进行高斯模糊(如Matlab中的canny.m中所示),但是附加的图像在综合上是完美的(没有噪声),因此在这里它是多余的.我选择了一个高的最低投票价值('门槛'),因此只能找到4条长线.

我们将从main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");

我将以计算简单灰度累积分布函数的函数结束:

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!
}

我对上面给出的片段的解决方案是:

希望你觉得这个有用!