霍夫变换：几何特征检测与量化验证【计算机视觉】

霍夫变换：几何特征检测与量化验证【计算机视觉】

• 霍夫变换（Hough Transform）
• • Ⅰ、引言
  • Ⅱ、霍夫变换核心原理
  • • 一、霍夫直线变换：二维参数空间的峰值检测
    • • （1）核心映射逻辑（3步拆解）
      • （2）数学例子
    • 二、霍夫圆变换：三维参数空间的优化求解
    • • （1）数学例子
      • （2）核心优势
    • 三、核心差异：霍夫变换 vs 直接拟合
  • Ⅲ、代码实现
  • • 一、霍夫直线检测
    • 二、霍夫圆变换
  • Ⅳ、总结
  • • 上一章

霍夫变换（Hough Transform）

        霍夫变换是计算机视觉领域中经典的几何特征检测算法，核心解决了“从含噪声、遮挡、模糊的图像中精准提取直线/圆等规则几何形状”的问题，通过“图像空间→参数空间”的映射转换，实现对几何特征的鲁棒检测，是车道线检测、工业零件质检、文档边框矫正、相机标定等场景的核心技术支撑。

注意：本文所有代码均可导入Jupyter Notebook 完整代码仓库地址：🔗 GitHub：https://github.com/KnifeWen007/CV—StudyNotebook

Ⅰ、引言

        在计算机视觉任务中，边缘检测仅能提取图像中离散的边缘像素，却无法将这些像素整合为完整的几何形状（如直线、圆）—— 而实际场景中，车道线、零件孔洞、文档边框等核心目标均以规则几何形态存在，离散的边缘像素无法直接支撑后续的识别与分析。

        霍夫变换为解决这一痛点提供了核心思路：它放弃在图像空间中直接拟合几何形状，转而将每个边缘像素映射到参数空间，通过检测参数空间的峰值来定位几何特征的参数，从而实现“从离散像素到完整形状”的提取。这一方法具备极强的抗噪声、抗遮挡能力，衍生出霍夫直线变换、霍夫圆变换两大核心分支，分别适配不同几何特征的检测需求，是几何特征提取领域的“基石算法”。

Ⅱ、霍夫变换核心原理

        霍夫变换的本质是**“空间转换”**：将图像空间中难以拟合的几何特征，转换为参数空间中易于检测的峰值特征。其中，霍夫直线变换是最基础、应用最广的分支，霍夫圆变换是其扩展形式，二者核心逻辑一致，仅参数空间维度不同。

一、霍夫直线变换：二维参数空间的峰值检测

        在图像空间中，直线的描述方式决定了霍夫变换的实现逻辑—— 若采用笛卡尔坐标系

y

=

k

x

+

b

y=kx+b

y=kx+b，垂直直线的斜率

k

k

k 会趋于无穷大，无法有效映射；因此霍夫变换采用极坐标方程描述直线：

ρ

=

x

cos

⁡

θ

+

y

sin

⁡

θ

\\rho = x\\cos\\theta + y\\sin\\theta

ρ=xcosθ+ysinθ

• $\rho$
• $\theta$

（1）核心映射逻辑（3步拆解）

（2）数学例子

        假设图像中有一条水平直线

y

=

50

y=50

y=50，取其上3个点

P

1

(

10

,

50

)

P_1(10,50)

P1​(10,50)、

P

2

(

20

,

50

)

P_2(20,50)

P2​(20,50)、

P

3

(

30

,

50

)

P_3(30,50)

P3​(30,50)，我们通过霍夫映射逻辑，清晰说明这3个点共线的核心原因，贴合极坐标方程与映射规则：

• 第一步：将3个点分别代入霍夫极坐标方程 $\rho =x\cos \theta +y\sin \theta$
• 点 $P_1(10,50)$
• 点 $P_2(20,50)$
• 点 $P_3(30,50)$
• 第二步：分析3条曲线的交汇点—— 我们知道，这条水平直线 $y=50$
• ${\rho }_1=10\times 0+50\times 1=50$
• ${\rho }_2=20\times 0+50\times 1=50$
• ${\rho }_3=30\times 0+50\times 1=50$
• 第三步：得出结论—— 此时3个点对应的3条正弦曲线，均精准交汇于参数空间的 $(\rho =50,\theta =\pi /2)$
• 第四步：结合峰值检测规则—— 若我们设定的检测阈值≤3，则该交汇点会被判定为“有效峰值”，对应图像空间中一条完整的直线，即3个点所在的水平直线 $y=50$

        反之，若3个点不在同一条直线上，它们在参数空间中的3条正弦曲线不会交于同一个

(

ρ

,

θ

)

(\\rho, \\theta)

(ρ,θ) 点，只会各自出现独立的低频次交点，无法达到检测阈值，因此不会被判定为有效直线—— 这也是霍夫变换区分“共线点”与“非共线点”的核心逻辑。

二、霍夫圆变换：三维参数空间的优化求解

        圆的参数方程为

(

x

−

a

)

2

+

(

y

−

b

)

2

=

r

2

(x-a)^2 + (y-b)^2 = r^2

(x−a)2+(y−b)2=r2，其中

(

a

,

b

)

(a,b)

(a,b) 为圆心坐标，

r

r

r 为半径—— 对应的参数空间是三维的

(

a

,

b

,

r

)

(a,b,r)

(a,b,r)，直接遍历所有可能的

(

a

,

b

,

r

)

(a,b,r)

(a,b,r) 组合计算量极大（时间复杂度呈指数级增长）：假设图像尺寸为

W

×

H

W\\times H

W×H，半径范围为

[

0

,

R

]

[0, R]

[0,R]，则需遍历

W

×

H

×

R

W\\times H\\times R

W×H×R 次，对分辨率稍高的图像（如

1000

×

1000

1000\\times1000

1000×1000），仅半径遍历100次就需10亿次计算，完全不具备工程实用性。

        工程中普遍采用霍夫梯度法（也叫“两步法”）优化，核心是“降维求解”，具体拆解为3个核心步骤：

（1）数学例子

        假设图像中有一个圆心为

(

100

,

100

)

(100,100)

(100,100)、半径为50的圆，取圆上3个边缘点

P

1

(

100

,

50

)

P_1(100,50)

P1​(100,50)、

P

2

(

150

,

100

)

P_2(150,100)

P2​(150,100)、

P

3

(

100

,

150

)

P_3(100,150)

P3​(100,150)：

• 第一步：计算3个点的梯度方向：
• $P_1(100,50)$
• $P_2(150,100)$
• $P_3(100,150)$
• 第二步：沿3个点的梯度方向绘制射线，所有射线均交汇于 $(100,100)$
• 第三步：计算圆心 $(100,100)$
• 到 $P_1$
• 到 $P_2$
• 到 $P_3$

（2）核心优势

三、核心差异：霍夫变换 vs 直接拟合

Ⅲ、代码实现

一、霍夫直线检测

import cv2
import numpy as np
import matplotlib.pyplot as plt

# Notebook配置：图片内嵌显示、支持中文
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 1. 读取图像
img = cv2.imread('road.png')
if img is None:
raise FileNotFoundError("未找到road.png！检查文件名/路径")

# 2. 图像预处理：灰度+高斯模糊+Canny边缘检测
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度图
blur = cv2.GaussianBlur(gray, (5, 5), 0) # 高斯模糊降噪
edges = cv2.Canny(blur, 50, 150) # 提取边缘

# 3. 霍夫直线检测（概率霍夫变换）
lines = cv2.HoughLinesP(
edges,
rho=1, # 距离精度1像素
theta=np.pi/180, # 角度精度1度
threshold=50, # 投票阈值
minLineLength=50, # 最短直线长度
maxLineGap=10 # 直线断点最大间距
)

# 4. 绘制检测到的直线
img_lines = img.copy()
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(img_lines, (x1, y1), (x2, y2), (0, 0, 255), 2) # 红色直线，线宽2
else:
print("未检测到有效直线！可降低threshold参数")

# 5. 可视化结果
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 显示边缘检测结果
ax1.imshow(edges, cmap='gray')
ax1.set_title('Canny Edge Detection', fontsize=12)
ax1.axis('off')

# 显示直线检测结果
ax2.imshow(cv2.cvtColor(img_lines, cv2.COLOR_BGR2RGB))
ax2.set_title('Hough Line Detection', fontsize=12)
ax2.axis('off')

plt.tight_layout()
plt.show()

核心函数：cv2.HoughLinesP()

参数说明：

lines = cv2.HoughLinesP(
edges, # 输入：Canny边缘检测后的边缘图
rho=1, # 距离精度：1像素（参数空间ρ的步长）
theta=np.pi/180, # 角度精度：π/180弧度（即1度，参数空间θ的步长）
threshold=50, # 投票阈值：只有投票数≥50的直线才会被检测出
minLineLength=50, # 最短直线长度：过滤短于50像素的噪声线
maxLineGap=10 # 直线断点最大间距：10像素内的断点可合并为一条直线
)

cv2.HoughLinesP() 是概率霍夫变换的核心实现

本质是：

二、霍夫圆变换

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 配置图片显示
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 读取本地图片
img = cv2.imread('circle.png')
if img is None:
raise FileNotFoundError("未找到circle.png！请确认图片在代码同级目录")

# 图像预处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# 霍夫圆检测
circles = cv2.HoughCircles(
blur,
cv2.HOUGH_GRADIENT,
dp=1,
minDist=30,
param1=50,
param2=25,
minRadius=5,
maxRadius=0
)

# 绘制检测到的圆
img_circles = img.copy()
if circles is not None:
circles = np.uint16(np.around(circles))
for circle in circles[0, :]:
x, y, r = circle[0], circle[1], circle[2]
cv2.circle(img_circles, (x, y), 3, (0, 255, 0), 4)
cv2.circle(img_circles, (x, y), r, (0, 0, 255), 3)
print(f"共检测到 {len(circles[0, :])} 个圆，已全部绘制")
else:
print("未检测到任何圆！可尝试降低param2至20或减小minDist至20")

# 显示结果
plt.figure(figsize=(10, 8))
plt.imshow(cv2.cvtColor(img_circles, cv2.COLOR_BGR2RGB))
plt.title('Hough Circle Detection')
plt.axis('off')
plt.show()

核心函数：cv2.HoughCircles()

参数说明：

circles = cv2.HoughCircles(
blur, # 输入：高斯模糊后的灰度图（降噪后检测更准确）
method=cv2.HOUGH_GRADIENT,# 检测方法：霍夫梯度法（唯一实用的圆检测方法）
dp=1, # 分辨率因子：1表示参数空间与图像空间分辨率一致
minDist=20, # 圆心最小距离：避免检测到重复的同心圆/邻近圆
param1=50, # Canny边缘检测高阈值：低阈值自动为其1/2，提取圆边缘
param2=30, # 圆心投票阈值：值越小检测圆越多，值越大检测越精准
minRadius=0, # 最小检测半径：0表示无下限
maxRadius=0 # 最大检测半径：0表示无上限
)

cv2.HoughCircles() 基于霍夫梯度法实现

核心是“降维求解”：

Ⅳ、总结

综上，霍夫变换凭借「图像空间与参数空间对偶映射+累加投票」的核心逻辑，成为直线、圆这类规则几何形状检测的经典技术，也是本次分享的核心内容。

直线检测核心： 通过极坐标方程（

ρ

=

x

cos

⁡

θ

+

y

sin

⁡

θ

ρ=x\\cosθ+y\\sinθ

ρ=xcosθ+ysinθ）规避了直角坐标下垂直线斜率无穷大的缺陷，经「边缘预处理→空间映射→累加投票→峰值检测」四步，即可鲁棒提取图像中的直线；

圆检测核心： 拓展至三维参数空间（圆心x、圆心y、半径r），通过对圆心和半径的投票统计，实现圆形目标的定位与识别。

二者均能有效应对图像噪声、局部遮挡、形状不完整等问题，是计算机视觉中几何特征提取的基础方法。

实战选型技巧：

• 直线检测：追求精度选「标准霍夫变换」，需实时性则用「概率霍夫变换」；
• 圆检测：依赖霍夫圆变换（CHT），可通过优化参数空间量化精度、调整投票阈值，平衡检测效果与计算效率。

霍夫变换无需精准匹配目标完整轮廓，对复杂场景适应性强，也是入门计算机视觉几何检测的核心知识点。

上一章

图像去雾：从直方图增强到暗通道先验【计算机视觉】https://blog.csdn.net/R_Feynman_/article/details/158807328?spm=1001.2014.3001.5501