opencv 霍夫变换 实现图片旋转角度计算 - luofeel - 博客园

在OCR实际开发中,证件照采集角度有很大的偏差,需要将图片进行旋转校正,

效果图:

在应用中发现应该加入高斯模糊,可以极大减少误差线条.

 知道线条后 通过求斜率 得旋转角度 .(x1-x2)/(y1-y2) 

结果

结果还行吧 ! 当然还有直方图也可以判断,有待研究!

霍夫变换

Hough变换是经典的检测直线的算法。其最初用来检测图像中的直线，同时也可以将其扩展，以用来检测图像中简单的结构。

OpenCV提供了两种用于直线检测的Hough变换形式。其中基本的版本是cv2.HoughLines。其输入一幅含有点集的二值图（由非0像素表示），其中一些点互相联系组成直线。通常这是通过如Canny算子获得的一幅边缘图像。cv2.HoughLines函数输出的是[float, float]形式的ndarray，其中每个值表示检测到的线(ρ , θ)中浮点点值的参数。下面的例子首先使用Canny算子获得图像边缘，然后使用Hough变换检测直线。其中HoughLines函数的参数3和4对应直线搜索的步长。在本例中，函数将通过步长为1的半径和步长为π/180的角来搜索所有可能的直线。最后一个参数是经过某一点曲线的数量的阈值，超过这个阈值，就表示这个交点所代表的参数对(rho, theta)在原图像中为一条直线。具体理论可参考这篇文章。

复制代码; "复制代码")

1 #coding=utf-8
2 import cv2 3 import numpy as np 4
5 img = cv2.imread("/home/sunny/workspace/images/road.jpg", 0)
6
7 img = cv2.GaussianBlur(img,(3,3),0)
8 edges = cv2.Canny(img, 50, 150, apertureSize = 3)
9 lines = cv2.HoughLines(edges,1,np.pi/180,118) #这里对最后一个参数使用了经验型的值
10 result = img.copy() 11 for line in lines[0]: 12 rho = line[0] #第一个元素是距离rho
13 theta= line[1] #第二个元素是角度theta
14 print rho 15 print theta 16 if (theta < (np.pi/4. )) or (theta > (3.*np.pi/4.0)): #垂直直线
17 #该直线与第一行的交点
18 pt1 = (int(rho/np.cos(theta)),0) 19 #该直线与最后一行的焦点
20 pt2 = (int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0]) 21 #绘制一条白线
22 cv2.line( result, pt1, pt2, (255)) 23 else: #水平直线
24 # 该直线与第一列的交点
25 pt1 = (0,int(rho/np.sin(theta))) 26 #该直线与最后一列的交点
27 pt2 = (result.shape[1], int((rho-result.shape[1]*np.cos(theta))/np.sin(theta))) 28 #绘制一条直线
29 cv2.line(result, pt1, pt2, (255), 1) 30
31 cv2.imshow('Canny', edges ) 32 cv2.imshow('Result', result) 33 cv2.waitKey(0) 34 cv2.destroyAllWindows()

复制代码; "复制代码")

概率霍夫变换

观察前面的例子得到的结果图片，其中Hough变换看起来就像在图像中查找对齐的边界像素点集合。但这样会在一些情况下导致虚假检测，如像素偶然对齐或多条直线穿过同样的对齐像素造成的多重检测。

要避免这样的问题，并检测图像中分段的直线（而不是贯穿整个图像的直线），就诞生了Hough变化的改进版，即概率Hough变换（Probabilistic Hough）。在OpenCV中用函数cv::HoughLinesP 实现。如下：

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

#coding=utf-8

import cv2

import numpy as np 

img = cv2.imread(`"/home/sunny/workspace/images/road.jpg"`)

img = cv2.GaussianBlur(img,(`3,3),0`)

edges = cv2.Canny(img, 50`, 150, apertureSize` `=` `3)`

lines = cv2.HoughLines(edges,`1,np.pi/180,118)`

result = img.copy()

#经验参数

minLineLength = 200

maxLineGap = 15

lines = cv2.HoughLinesP(edges,`1,np.pi/180,80,minLineLength,maxLineGap)`

for x1,y1,x2,y2 in lines[`0`]:

cv2.line(img,(x1,y1),(x2,y2),(`0,255,0),2`)

cv2.imshow(`'Result'`, img)

cv2.waitKey(`0`)

cv2.destroyAllWindows()

参考:

https://blog.csdn.net/sunny2038/article/details/9253823 

CODE GITHUB :

原网址: 访问
创建于: 2024-03-07 14:47:54
目录: default
标签: 无

未标明原创文章均为采集，版权归作者所有，转载无需和我联系，请注明原出处，南摩阿彌陀佛，知识，不只知道，要得到

请先后发表评论
  • 最新评论
  • 总共0条评论