OpenCV 霍夫直线变换实战指南HoughLines 与 HoughLinesP 的检测原理、参数详解与代码示例【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv霍夫直线变换Hough Line Transform是图像处理中最经典的直线检测算法之一广泛用于车道线识别、文档扫描矫正、棋盘格与网格线提取等场景。本篇技术指南基于 OpenCV 官方教程 hough_lines.markdown结合当前仓库中的真实示例源码与 API 声明系统讲解标准霍夫变换HoughLines与概率霍夫变换HoughLinesP的数学原理、完整参数含义并提供可直接编译运行的 C / Python 实战代码。读完本文你将掌握如何用 Canny 预处理图像如何调用两类霍夫函数并解析其输出(ρ, θ)与线段端点以及如何依据阈值、minLineLength、maxLineGap等参数调出稳定、可控的直线检测结果。学习目标本教程的核心目标非常聚焦学会使用 OpenCV 的HoughLines()与HoughLinesP()两个函数在二值边缘图像中检测图像内的直线并正确地把检测结果绘制回原图。在动手调用 API 之前理解算法背后的投票voting思想至关重要——它决定了每个参数的取值逻辑。理论基础霍夫直线变换是如何工作的本节原理说明参考了 Bradski 与 Kaehler 所著的Learning OpenCV一书。为什么要先做边缘检测霍夫直线变换用于检测直线而待投票的点正是图像中的边缘像素。因此官方推荐在使用霍夫变换之前先通过边缘检测如 Canny对图像做预处理把彩色/灰度图收缩为一张只有边缘轮廓的二值图再送入霍夫函数。直线在图像空间中的两种表示众所周知图像空间中的一条直线可以用两个变量来描述笛卡尔坐标系参数为斜率与截距 $(m, b)$对应直线方程 $y mx b$极坐标系参数为 $(r, \theta)$其中 $r$ 是直线到坐标原点图像左上角 $(0,0)$的垂直距离$\theta$ 是垂线与横轴的夹角。霍夫变换采用极坐标系表示直线其方程可写为$$y \left( -\frac{\cos\theta}{\sin\theta} \right) x \left( \frac{r}{\sin\theta} \right)$$整理各项后即得到霍夫直线变换的核心公式$$r x \cos\theta y \sin\theta$$之所以不用 $y mx b$是因为当直线竖直时斜率 $m$ 趋近无穷参数空间无法覆盖所有情况而 $(r, \theta)$ 对任意方向的直线都是有界的、稳定的。从图像空间的一个点到参数空间的一条正弦曲线对于图像空间中任意一个固定点 $(x_0, y_0)$所有经过该点的直线族可以表示为$$r_\theta x_0 \cos\theta y_0 \sin\theta$$也就是说每一对 $(r_\theta, \theta)$ 都对应一条经过 $(x_0, y_0)$ 的直线。如果把 $\theta$ 看作自变量、$r$ 看作因变量在 $(\theta, r)$ 平面上把经过该点的所有直线画出来就会得到一条正弦曲线sinusoid。例如对点 $x_0 8$、$y_0 6$其轨迹即是一条正弦波。关键洞察曲线相交 共线投票对图像中的每一个边缘点都执行上述操作我们会得到一族正弦曲线。此时出现霍夫变换最核心的几何事实若两条不同点的曲线在 $(\theta, r)$ 平面上相交说明这两个点位于同一条直线上。继续上面的例子再补充两个点 $x_1 4$、$y_1 9$ 和 $x_2 12$、$y_2 3$画出它们的曲线后可以发现三条曲线相交于唯一的一点 $(0.925, 9.6)$。这一坐标正是 $(x_0,y_0)$、$(x_1,y_1)$、$(x_2,y_2)$ 三点所在的直线所对应的参数 $(\theta, r)$。把上面这些几何观察翻译成算法语言就是一条直线之所以能被检测到是因为它在参数空间中对应曲线交点的数量足够多相交的曲线越多说明落在同一条直线上的边缘点越多该直线越真实因此我们可以设定一个阈值threshold只有当参数单元获得的票数相交曲线数超过该阈值时才判定 $(\theta, r_\theta)$ 对应一条真实直线。这就是霍夫直线变换的全部本质追踪图像中每个点对应的曲线之间的交点即向一个 $(\theta, r)$ 累加器投票统计票数超过阈值即宣布检测到一条直线。需要说明的是实现中只考虑 $r 0$ 且 $0 \theta 2\pi$ 范围内的参数以保证参数空间紧凑且无歧义。OpenCV 实现的三种霍夫直线变换OpenCV 的imgproc模块共提供三种霍夫直线变换实现它们被封装在两个函数中a. 标准霍夫变换Standard Hough Transform实现方式与前文推导的逐点画曲线、统计交点完全一致输出是直线参数对 $(\theta, r_\theta)$ 的向量对应函数HoughLines()。b. 概率霍夫直线变换Probabilistic Hough Line Transform标准霍夫变换更高效的实现它不再对全部边缘点做全量投票而是随机抽取边缘点子集参与投票参考文献Matas00即 J. Matas 等人的Progressive Probabilistic Hough Transform输出不再是无限长的直线参数而是已检测线段两个端点的坐标$(x_{start}, y_{start}, x_{end}, y_{end})$便于直接绘制线段并计算长度对应函数HoughLinesP()。c. 加权霍夫变换Weighted Hough Transform标准霍夫变换对二值边缘图投票每个边缘点贡献值恒为 1加权霍夫变换则直接利用**边缘强度edge intensity**而非 0/1 值参与投票从而对弱边缘更鲁棒它同样是HoughLines()只是需要把参数use_edgeval置为true并传入一张按边缘强度编码的图像交互式演示见仓库示例 HoughLines_Demo.cpp。函数签名与完整参数源码级在头文件 modules/imgproc/include/opencv2/imgproc.hpp 中HoughLines的完整声明为CV_EXPORTS_W void HoughLines( InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn 0, double stn 0, double min_theta 0, double max_theta CV_PI, bool use_edgeval false );各参数含义如下参数含义image8 位单通道二值源图。注意函数可能会修改该图像lines输出直线向量。每条线由 2 或 3 元素向量表示$(\rho, \theta)$ 或 $(\rho, \theta, votes)$。其中 $\rho$ 是直线到坐标原点图像左上角的距离$\theta$ 是直线的旋转角弧度$\theta0$ 为竖直线、$\theta\pi/2$ 为水平线votes是累加器票数rho累加器在距离维上的分辨率像素theta累加器在角度维上的分辨率弧度threshold累加器阈值只有票数大于该值的直线才会被返回srn多尺度霍夫变换中rho的除数粗累加器的距离分辨率是rho精化分辨率为rho/srn。若srn与stn同时为 0则退化为经典霍夫变换否则两者都应为正stn多尺度霍夫变换中角度分辨率的除数min_theta需要检测的最小角度取值须介于 0 与max_theta之间max_theta角度上界须介于min_theta与CV_PI之间实际累加器最大角度可能略小于它use_edgeval置为true时启用加权霍夫变换而HoughLinesP见 imgproc.hpp的声明为CV_EXPORTS_W void HoughLinesP( InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength 0, double maxLineGap 0 );参数含义image8 位单通道二值源图同样可能被函数修改lines输出向量每条线段由 4 元素向量 $(x_1, y_1, x_2, y_2)$ 表示即线段的两个端点坐标rho累加器距离分辨率像素theta累加器角度分辨率弧度threshold累加器阈值只有票数大于它的直线才会被返回minLineLength最小线段长度短于该值的线段将被丢弃maxLineGap同一直线上两点之间允许连接的最大间距用于把断裂的短线段拼接起来顺带一提imgproc还提供了针对点集输入的HoughLinesPointSet用于在若干离散点而非整幅二值图中检测直线其输出格式为 $(votes, rho, theta)$。当你的输入本身是特征点集而非边缘图时可以考虑它。完整示例代码解读官方讲解的核心示例位于仓库的 samples/cpp/tutorial_code/ImgTrans/houghlines.cpp默认输入图片为 samples/data/sudoku.png一张数独棋盘网格图非常适合演示横竖网格线的检测。同目录下还有带 Trackbar 的增强版 HoughLines_Demo.cpp。下面给出完整 C 代码与仓库源码一致随后逐段讲解/** * file houghlines.cpp * brief This program demonstrates line finding with the Hough transform */ #include opencv2/imgcodecs.hpp #include opencv2/highgui.hpp #include opencv2/imgproc.hpp using namespace cv; using namespace std; int main(int argc, char** argv) { // Declare the output variables Mat dst, cdst, cdstP; // Loads an image默认 sudoku.png可用命令行参数覆盖 const char* default_file sudoku.png; const char* filename argc 2 ? argv[1] : default_file; Mat src imread( samples::findFile( filename ), IMREAD_GRAYSCALE ); // Check if image is loaded fine if(src.empty()){ printf( Error opening image\n); printf( Program Arguments: [image_name -- default %s] \n, default_file); return -1; } // Edge detection先用 Canny 提取边缘 Canny(src, dst, 50, 200, 3); // Copy edges to the images that will display the results in BGR cvtColor(dst, cdst, COLOR_GRAY2BGR); cdstP cdst.clone(); // Standard Hough Line Transform vectorVec2f lines; // will hold the results of the detection HoughLines(dst, lines, 1, CV_PI/180, 150, 0, 0 ); // runs the actual detection // Draw the lines for( size_t i 0; i lines.size(); i ) { float rho lines[i][0], theta lines[i][1]; Point pt1, pt2; double a cos(theta), b sin(theta); double x0 a*rho, y0 b*rho; pt1.x cvRound(x0 1000*(-b)); pt1.y cvRound(y0 1000*(a)); pt2.x cvRound(x0 - 1000*(-b)); pt2.y cvRound(y0 - 1000*(a)); line( cdst, pt1, pt2, Scalar(0,0,255), 3, LINE_AA); } // Probabilistic Line Transform vectorVec4i linesP; // will hold the results of the detection HoughLinesP(dst, linesP, 1, CV_PI/180, 50, 50, 10 ); // runs the actual detection // Draw the lines for( size_t i 0; i linesP.size(); i ) { Vec4i l linesP[i]; line( cdstP, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0,0,255), 3, LINE_AA); } // Show results imshow(Source, src); imshow(Detected Lines (in red) - Standard Hough Line Transform, cdst); imshow(Detected Lines (in red) - Probabilistic Line Transform, cdstP); // Wait and Exit waitKey(); return 0; }第一步以灰度模式加载图像const char* default_file sudoku.png; const char* filename argc 2 ? argv[1] : default_file; Mat src imread( samples::findFile( filename ), IMREAD_GRAYSCALE );代码先以IMREAD_GRAYSCALE灰度模式读图支持用命令行参数argv[1]覆盖默认的sudoku.png。samples::findFile会在已配置的 OpenCV 样本数据目录中定位图片这正是该示例不写绝对路径也能找到 samples/data/sudoku.png 的原因。读图后用src.empty()做健壮性检查失败则打印用法并返回。第二步用 Canny 检测图像边缘Canny(src, dst, 50, 200, 3);前文原理部分强调过霍夫直线变换作用于二值边缘图。这里用 Canny 边缘检测器把灰度图src变为只含边缘的二值图dst阈值取低阈值 50、高阈值 200Sobel 核大小 3。之后再将边缘图转回 BGR 彩色空间cvtColor(dst, cdst, COLOR_GRAY2BGR)并克隆一份分别用于叠加两种算法的结果便于目视对比。第三步应用标准霍夫直线变换并绘制vectorVec2f lines; HoughLines(dst, lines, 1, CV_PI/180, 150, 0, 0 );各实参的取法与官方文档逐条对应dst边缘检测器的输出。按文档要求它应是一张灰度图——虽然实际上内容已是二值的lines用于存放检测结果的向量元素类型Vec2f即每一条直线存 $(\rho, \theta)$ 两个参数rho$r$ 方向的分辨率单位像素此处取1 像素theta$\theta$ 方向的分辨率单位弧度此处取1 度即CV_PI/180threshold判定检测到直线所需的最小投票数最小交点数量此处取 150srn、stn多尺度霍夫参数默认取 0此时调用的是经典非多尺度霍夫变换。绘制直线时由于标准霍夫只给出参数 $(\rho, \theta)$ 而没有端点需要自己换算成图像上的两个点float rho lines[i][0], theta lines[i][1]; double a cos(theta), b sin(theta); double x0 a*rho, y0 b*rho; pt1.x cvRound(x0 1000*(-b)); pt1.y cvRound(y0 1000*(a)); pt2.x cvRound(x0 - 1000*(-b)); pt2.y cvRound(y0 - 1000*(a)); line( cdst, pt1, pt2, Scalar(0,0,255), 3, LINE_AA);其中 $(x_0, y_0) (\rho\cos\theta, \rho\sin\theta)$ 是直线上离原点最近的那个点沿垂直于它的方向方向向量 $(-\sin\theta, \cos\theta)$向两侧各延伸 1000 像素即得到pt1、pt2从而把无限长直线完整画出来。代码用line()以红色Scalar(0,0,255)、线宽 3、抗锯齿LINE_AA绘制。第四步应用概率霍夫直线变换并绘制vectorVec4i linesP; HoughLinesP(dst, linesP, 1, CV_PI/180, 50, 50, 10 );与标准霍夫不同HoughLinesP额外暴露了两个对线段质量影响极大的参数minLineLength构成一条线所需的最少点数。低于该点数的短线会被直接忽略此处取 50maxLineGap判定为同一条直线时两点之间允许出现的最大间距。此值越大被拼接成一条长线的断口容忍度越高此处取 10。由于输出Vec4i l就是线段两端点 $(x_1,y_1,x_2,y_2)$绘制无需换算直接连线即可line( cdstP, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0,0,255), 3, LINE_AA);第五步显示结果并等待用户按键退出imshow(Source, src); imshow(Detected Lines (in red) - Standard Hough Line Transform, cdst); imshow(Detected Lines (in red) - Probabilistic Line Transform, cdstP); waitKey(); return 0;程序会弹出三个窗口原图、标准霍夫结果、概率霍夫结果随后在waitKey()处阻塞等待用户按键后退出。这也是几乎所有 OpenCV GUI 示例的标准收尾方式。Python 版本要点对于 Python 用户仓库提供了逐段与 C 对应的脚本 samples/python/tutorial_code/ImgTrans/HoughLine/hough_lines.py。核心调用完全一一对应import math import cv2 as cv import numpy as np src cv.imread(cv.samples.findFile(sudoku.png), cv.IMREAD_GRAYSCALE) dst cv.Canny(src, 50, 200, None, 3) cdst cv.cvtColor(dst, cv.COLOR_GRAY2BGR) cdstP np.copy(cdst) # 标准霍夫输出 (rho, theta) 列表 lines cv.HoughLines(dst, 1, np.pi / 180, 150, None, 0, 0) if lines is not None: for rho, theta in lines.reshape(-1, 2): a, b math.cos(theta), math.sin(theta) x0, y0 a * rho, b * rho pt1 (int(x0 1000 * (-b)), int(y0 1000 * a)) pt2 (int(x0 - 1000 * (-b)), int(y0 - 1000 * a)) cv.line(cdst, pt1, pt2, (0, 0, 255), 3, cv.LINE_AA) # 概率霍夫输出线段端点 linesP cv.HoughLinesP(dst, 1, np.pi / 180, 50, None, 50, 10) if linesP is not None: for x1, y1, x2, y2 in linesP.reshape(-1, 4): cv.line(cdstP, (x1, y1), (x2, y2), (0, 0, 255), 3, cv.LINE_AA) cv.imshow(Source, src) cv.imshow(Detected Lines (in red) - Standard Hough Line Transform, cdst) cv.imshow(Detected Lines (in red) - Probabilistic Line Transform, cdstP) cv.waitKey()运行命令可省略图片参数默认使用sudoku.pngpython3 samples/python/tutorial_code/ImgTrans/HoughLine/hough_lines.py samples/data/sudoku.pngJava 版本见 samples/java/tutorial_code/ImgTrans/HoughLine/HoughLines.java调用形式为Imgproc.HoughLines(...)/Imgproc.HoughLinesP(...)读取Mat中的(rho, theta)后同样按最近点 ± 垂直方向延伸的方式绘制此处不再赘述。进阶演示带 Trackbar 的 HoughLines_Demo.cpp官方教程的示例结果来自增强版 HoughLines_Demo.cpp。它的算法逻辑与上面相同但额外做了三件事为三种变换各开一个窗口与 TrackbarStandard_Hough、Probabilistic_Hough共用阈值滑条范围 50150可实时观察阈值对检出线条数的影响演示加权霍夫变换先用Sobel(src_gray, sobel_edge, CV_16S, 1, 0)求水平方向梯度得到边缘强度图经convertScaleAbs与thresholdTHRESH_TOZERO处理后以HoughLines(..., use_edgevaltrue)基于边缘强度投票见函数体内的第三个回调Weighted_Hough滑条回调机制保证了每次拖动阈值都即时重跑检测并刷新画面非常适合用来培养对阈值参数的直觉。编译运行方式与普通 OpenCV 程序一致用法为./HoughLines_Demo image_name默认测试图为building.jpg。运行与编译方法Python安装带opencv-python的环境后直接执行上文给出的python3命令即可C仓库在 samples/CMakeLists.txt 提供了整套示例的 CMake 构建方案。可按 OpenCV 常规方式配置源码构建目录编译目标houghlines与HoughLines_Demo随后在已设置好OPENCV_SAMPLES_DATA_PATH的情况下运行samples::findFile会自动定位sudoku.png等样本数据传入自己的图片时仅需把第一个命令行参数替换为图片路径即可例如./houghlines /path/to/your/image.png。结果展示与阈值调参以仓库自带的 sudoku.png数独棋盘为输入标准霍夫直线变换的检测结果红线上叠加于原图如下概率霍夫直线变换的结果如下对比两图可以发现标准霍夫输出的是贯穿整幅图像的无限长直线数独网格的横竖线被还原为长直线而概率霍夫直接输出线段对图像边缘残缺、断续的容错性更好适合定位如纸张边缘、车道线这类真实存在的有限线段。调参规律在带 Trackbar 的 Demo 中反复拖动即可验证改变threshold会显著改变检出的线条数——道理很直观阈值越高意味着声明一条直线所需的共线点数越多只有更长、更连续的边缘才能达标因而检出的直线更少反之阈值越低检出的直线越多同时噪声造成的假阳性也会增多。实际项目中应结合minLineLength过滤短线碎片与maxLineGap容忍断点拼接协同调节。小结霍夫直线变换把图像空间中的直线检测转化为参数空间中的峰值投票每个边缘点在 $(\theta, r)$ 平面画一条正弦曲线曲线交点即共线证据票数超过threshold即判定为直线标准霍夫HoughLines输出 $(ρ, θ)$ 对直线无端点概念适合检测贯穿性结构网格、地平线配合srn/stn还可切换为多尺度霍夫配合use_edgevaltrue可切换为加权霍夫概率霍夫HoughLinesP输出线段端点速度快、可直接得到线段几何额外受minLineLength与maxLineGap约束是多数工程场景的首选两条 API 都要求输入8 位单通道二值边缘图且可能原地修改输入图像记得传入 Canny 的输出版本并保存原图用于叠加绘制。想继续深入本系列可接着阅读仓库中的 霍夫圆变换教程HoughCircles检测圆与前置的 Canny 边缘检测教程。所有示例源码、输入图片与 API 文档均可在本文引用的仓库路径下找到动手运行一遍即可直观掌握每种变换的行为差异。【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考