用于 45 度线的 OpenCV 线检测答案

【问题标题】：OpenCV line detection for 45 degree lines用于 45 度线的 OpenCV 线检测
【发布时间】：2019-04-28 20:12:04
【问题描述】：

我有一张图片：

在此图像中，OpenCV Hough 变换无法使用 -45 度大线检测

minLineLength = 150 
maxLineGap = 5 
line_thr = 150 
linesP = cv.HoughLinesP(dst, 1, np.pi / 180, line_thr, None, minLineLength, maxLineGap)

找到的唯一行是：

我也尝试过使用各种阈值，但我在这里找不到这条线。

如果我像这样手动裁剪图像：

然后我可以清楚地看到 OpenCV Hough 变换找到了正确的线：

我想在非裁剪版本中找到同一行。对非裁剪版本有什么建议吗？

还可能存在根本没有线或线没有一直延伸到 X 轴长度的情况。例子

【问题讨论】：

如果你知道直线是 45 度角，为什么还要使用霍夫变换？您可以保持简单，只查找 45 度角的线。
Cris Luengo，任何想法如何实现，一些代码将不胜感激。我正在寻找大于某些单位的线长度，并且在某些噪声（黑点）之间可能存在。
您可以使用过滤器并定义一个内核，该内核将平滑任何非 45 度方向的内容。这可以通过 Kirsch 算子或 Sobel 算子来完成。很可能有很多方法可以实现这一目标。检查stackoverflow.com/questions/8547127/…

标签： image opencv image-processing opencv3.0 hough-transform

【解决方案1】：

我在终端的命令行中使用 ImageMagick 执行此操作，但您可以使用 OpenCV 应用完全相同的技术。

第 1 步

拍摄图像并将其旋转 45 度，在需要的地方引入黑色像素作为背景：

convert 45.jpg -background black -rotate 45 result.png

第 2 步

现在，在前面的命令的基础上，将每个像素设置为以 1px 宽和 250px 高为中心的框的中位数：

convert 45.jpg -background black -rotate 45 -statistic median 1x250 result.png

第 3 步

现在，再次在上一个命令的基础上，将其旋转 45 度：

convert 45.jpg -background black -rotate 45 -statistic median 1x250 -rotate -45 result.png

所以，综上所述，整个处理是：

convert input.jpg -background black -rotate 45 -statistic median 1x250 -rotate -45 result.png

显然然后将其裁剪回原始大小并与原件并排附加以进行检查：

convert 45.jpg -background black -rotate 45 -statistic median 5x250 -rotate -45 +repage -gravity center -crop 184x866+0+0 result.png
convert 45.jpg result.png +append result.png

您也可以使用mean 统计加阈值而不是median，因为它比排序找到中位数更快，但它往往会导致拖尾：

convert 45.jpg -background black -rotate 45 -statistic mean 1x250 result.png

您新添加的图像被处理成这个结果：

【讨论】：

【解决方案2】：

我实现了一个比我的其他答案稍微简单的算法，但这次是在 Python 中使用 OpenCV。

基本上，它不是取垂直像素列的平均值，而是对列中的像素求和并选择最亮的列。如果我在下面显示填充的、旋转的图像和另一个代表列总和的图像，您应该会看到它是如何工作的：

#!/usr/bin/env python3

import cv2
import numpy as np

# Load image as greyscale
im = cv2.imread('45.jpg',cv2.IMREAD_GRAYSCALE)

# Pad with border so it isn't cropped when rotated
bw=300
bordered = cv2.copyMakeBorder(im, top=bw, bottom=bw, left=bw, right=bw, borderType= cv2.BORDER_CONSTANT)

# Rotate -45 degrees
w, h = bordered.shape
M = cv2.getRotationMatrix2D((h/2,w/2),-45,1)
paddedrotated = cv2.warpAffine(bordered,M,(h,w))
# DEBUG cv2.imwrite('1.tif',paddedrotated)

# Sum the elements of each column and find column with most white pixels
colsum = np.sum(paddedrotated,axis=0,dtype=np.float)
col = np.argmax(colsum)
# DEBUG cv2.imwrite('2.tif',colsum)

# Fill with black except for the line we have located which we make white
paddedrotated[:,:] = 0
paddedrotated[:,col] = 255

# Rotate back to straight
w, h = paddedrotated.shape
M = cv2.getRotationMatrix2D((h/2,w/2),45,1)
straight = cv2.warpAffine(paddedrotated,M,(h,w))

# Remove padding and save to disk
straight = straight[bw:-bw,bw:-bw]
cv2.imwrite('result.png',straight)

请注意，您实际上不必将图像旋转回直线并将其裁剪回原始大小。你实际上可以在第一行之后停下来：

col = np.argmax(colsum)

并使用一些基本的三角函数来计算出原始图像中的含义。

这是输出：

关键词：线检测、检测线、旋转、填充、边框、投影、投影、图像、图像处理、Python、OpenCV、仿射、霍夫

【讨论】：

很棒的方法马克，但更通用的解决方案会很有帮助，因为我可以有完全没有线条的图像（只有一些白点），或者线条不沿着 x轴。在原始问题中添加了更多图片。
我的其他答案适用于新图像。这个答案也适用于带有部分线条的新图像。如果您不希望它在图像中找到没有线条的任何内容，则需要考虑最小长度阈值并将其应用于代码为col = np.argmax(colsum)

【解决方案3】：

问题显然是您要搜索的行不是一行。它实际上看起来像一列相连的圆圈和盒子。因此，我建议您执行以下操作：

使用查找轮廓查找图像中的所有轮廓

img = cv.imread('image.jpg')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(img_gray, 127, 255, 0)
img2, contours, hierarchy = cv.findContours(thresh, CHAIN_APPROX_SIMPLE ,cv.RETR_EXTERNAL)

这将返回许多轮廓，因此使用循环仅保存足够长的轮廓。由于图像大小为 814x1041 像素，我假设轮廓长，如果它至少是图像宽度的 10%，几乎是 100（你显然必须优化这个值）

long_contours = []
for contour in contours[i]:
    perimeter = cv2.arcLength(contour,True)
    if (perimeter > 0.1 * 1018)  # 10% of the image width
        long_contours.append(contour)

现在围绕那些可能也是一条线的长轮廓绘制一个旋转的边界矩形。长轮廓如果宽度远大于高度，或者纵横比很大（比如8，还需要优化这个值），则认为是一条线

for long_contour in long_contours:
    rect = cv2.minAreaRect(long_contour)
    aspec_ratio =  rect.width / rect.height

    if aspec_ratio > 8 : 
       box = cv2.boxPoints(rect)
       box = np.int0(box)
       cv2.drawContours(img,[box],0,(255,255,255),cv.FILLED)

最后你应该得到类似的东西。请注意，此处的代码仅供参考。

【讨论】：

这是一个很好的观察。我希望你没有使用轮廓。这对我来说毫无意义。您可以使用连通分量分析更简单、更有效地完成此操作。轮廓完全被过度使用。仅当您特别需要对象的轮廓时才应提取轮廓。
感谢您的提示。我同意使用连接的组件可能更容易、更有效。使用轮廓没有特别的优势，除了我在许多项目中重复使用它们。我以后会改的。

【解决方案4】：

您的原始代码很好。唯一的问题是您的图像包含太多信息，这会弄乱累加器分数。如果将行阈值增加到 255，一切都会好起来的。

minLineLength = 150 
maxLineGap = 5
line_thr = 255
linesP = cv2.HoughLinesP(dst, 1, np.pi / 180.0, line_thr, None, minLineLength, maxLineGap)

以下是使用该值的结果。由于白色像素较大，此处检测到 3 行。

[  1  41 286 326]
[  0  42 208 250]
[  1  42 286 327]

由于与上述相同的原因，在同一区域周围检测到 5 条线。使用形态学操作或距离变换减小像素大小应该可以解决此问题。

[110 392 121 598]
[112 393 119 544]
[141 567 147 416]
[ 29 263  29 112]
[  0  93 179 272]

此处未找到行。

【讨论】：