今天，我们将学习如何借助称为霍夫变换的技术来检测图像中的直线和圆。在开始对图像应用霍夫变换之前，我们需要了解霍夫空间是什么，我们将通过示例的方式来学习。
1、参数空间
当我们处理图像时，我们可以想象图像是在某些x和y坐标上的2d矩阵，在此之下，一条线可以描述为 y = mx + b
但是在参数空间（我们将其称为霍夫空间）中，我可以代表与mvs 相同的线b，因此图像空间上线的特征将是m-b霍夫空间中该位置的单点。
但是，我们有一个问题，使用y = mx + b，由于斜率是无限的，因此我们无法表示垂直线。因此，我们需要一种更好的参数化方法，即极坐标（rho和theta）。
2、霍夫空间
（1）rho：描述直线到原点的距离；（2）theta：描述与水平面的夹角；
但是，一个非常重要的问题是，当我们围绕一条线取多个点并转换为霍夫空间时，会发生什么。
图像空间上的单个点转换为霍夫空间上的曲线，其特殊之处在于，图像空间上一条线之间的点将由具有单个接触点的多条曲线表示。这将是我们的目标，找到一组曲线相交的点。
3、什么是霍夫变换？
霍夫变换是一种特征提取方法，用于检测图像中的简单形状，例如圆形，直线等。“简单”特性是根据参数的形状表示得出的。“简单”形状仅由几个参数表示，例如，一条线可以由其斜率和截距表示，或者可以由x，y和半径表示。在我们的示例中，霍夫变换将负责处理图像上的点并计算霍夫空间中的值。用于进行转换并随后找到相交曲线的算法有点复杂，因此不在本文讨论范围之内。但是，我们将看一下该算法的实现，它是OpenCV库的一部分。
4、使用OpenCV检测线
在OpenCV中，使用Hough变换检测线中的功能被实现HoughLines和HoughLinesP（概率Hough变换）。我们将专注于后者。该函数需要以下参数：
（1）image：8位单通道二进制源图像。该图像可以通过该功能进行修改。
（2）lines：行的输出向量。每条线由4个元素的向量（x_1，y_1，x_2，y_2）表示，其中（x_1，y_1）和（x_2，y_2）是每个检测到的线段的终点。
（3）rho：累加器的距离分辨率（以像素为单位）。
（4）theta：累加器的角度分辨率（以弧度为单位）。
（5）threshold：累加器阈值参数。仅返回那些获得足够投票的行
（6）minLineLength：最小行长。短于此的线段将被拒绝。
（7）maxLineGap：同一条线上的点之间允许链接的最大间隙。太复杂？一个例子更容易理解：
结果如下：
非常重要的一点是，我们实际上使用仅边缘图像作为Hough变换的参数，否则该算法将无法按预期工作。
5、使用OpenCV检测圆圈
该过程与行的过程大致相同，除了这次我们将使用与OpenCV库不同的函数。即now HoughCircles，它接受以下的参数：
（1）image：8位单通道灰度输入图像。
（2）circles：找到的圆的输出向量。每个向量都被编码为3元素浮点向量（x，y，radius）。
（3）circle_storage：在C函数中，这是一个存储器存储，其中将包含找到的圆的输出序列。
（4）method：使用的检测方法。当前，唯一实现的方法是CV_HOUGH_GRADIENT，基本上是21HT
（5）dp：累加器分辨率与图像分辨率的反比。例如，如果dp = 1，则累加器具有与输入图像相同的分辨率。如果dp = 2，则累加器的宽度和高度是其一半。
（6）minDist：检测到的圆心之间的最小距离。如果参数太小，则除了真实的圆圈外，还可能会错误地检测到多个邻居圆圈。如果太大，可能会错过一些圆圈。
（7）param1：第一个方法特定的参数。对于CV_HOUGH_GRADIENT，它是传递给Canny（）边缘检测器的两个阈值中的较高阈值（较低的阈值是较小的两倍）。
（8）param2：第二个方法特定的参数。在CV_HOUGH_GRADIENT的情况下，它是检测阶段圆心的累加器阈值。它越小，可能会检测到更多的假圆圈。与较大的累加器值相对应的圆将首先返回。
（9）minRadius：最小圆半径。
（10）maxRadius：最大圆半径。
请记住，参数必须有所不同，因为我们无法用与用于线相同的参数化描述圆，而是需要使用像的方程(x - x0)^^2 + (y - y0)^^2 = r^^2：
请注意，与之前的示例相比，此处我们未应用任何边缘检测功能。这是因为该函数HoughCircles具有内置的canny检测。检测结果：
6、结尾
霍夫变换是一种用于检测图像中简单形状的出色技术，它具有多种应用，从医学应用（例如X射线，CT和MRI分析）到自动驾驶汽车。如果你想了解有关Hough空间的更多信息，建议你自己实际操作一遍运行代码，自己尝试不同的配置，并查看OpenCV官方文档以获取更多的信息。谢谢阅读！