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）](#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
- 二、霍夫圆变换：三维参数空间的优化求解
- [三、核心差异：霍夫变换 vs 直接拟合](#三、核心差异：霍夫变换 vs 直接拟合)
- Ⅲ、代码实现
- Ⅳ、总结
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
- ρ \rho ρ：坐标原点到直线的垂直距离（单位：像素），范围为 [ − D , D ] [-D, D] [−D,D]（ D D D 为图像对角线长度）；
- θ \theta θ：垂线与x轴正方向的夹角（单位：弧度），范围为 [ 0 , π ) [0, \pi) [0,π)（覆盖所有直线方向）。
（1）核心映射逻辑（3步拆解）
- 单点映射 ：图像空间中一个边缘点 ( x , y ) (x,y) (x,y)，对应参数空间（ ρ \rho ρ- θ \theta θ）中一条连续的正弦曲线------ 这条曲线代表"所有经过该点的直线的参数组合"；
- 多点交汇 ：图像空间中同一条直线上的 N N N 个边缘点，在参数空间中的 N N N 条正弦曲线会交于同一个 ( ρ , θ ) (\rho, \theta) (ρ,θ) 点，交汇次数等于直线上的边缘点数；
- 峰值检测 ：统计参数空间中每个 ( ρ , θ ) (\rho, \theta) (ρ,θ) 点的交汇次数，超过设定阈值的点即为"有效直线"------ 阈值越高，检测到的直线越"完整"，抗噪声能力越强。
（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 ρ = x cos θ + y sin θ \rho = x\cos\theta + y\sin\theta ρ=xcosθ+ysinθ，得到3条对应曲线的表达式：
- 点 P 1 ( 10 , 50 ) P_1(10,50) P1(10,50)： ρ 1 = 10 cos θ + 50 sin θ \rho_1 = 10\cos\theta + 50\sin\theta ρ1=10cosθ+50sinθ
- 点 P 2 ( 20 , 50 ) P_2(20,50) P2(20,50)： ρ 2 = 20 cos θ + 50 sin θ \rho_2 = 20\cos\theta + 50\sin\theta ρ2=20cosθ+50sinθ
- 点 P 3 ( 30 , 50 ) P_3(30,50) P3(30,50)： ρ 3 = 30 cos θ + 50 sin θ \rho_3 = 30\cos\theta + 50\sin\theta ρ3=30cosθ+50sinθ
- 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 y=50 y=50 的本质特征是"与x轴平行，到原点的垂直距离为50"，对应霍夫参数空间中唯一一组有效参数： θ = π / 2 \theta=\pi/2 θ=π/2（90°）、 ρ = 50 \rho=50 ρ=50。
当 θ = π / 2 \theta=\pi/2 θ=π/2 时，根据三角函数性质： cos θ = 0 \cos\theta=0 cosθ=0、 sin θ = 1 \sin\theta=1 sinθ=1，将其分别代入3条曲线表达式：- ρ 1 = 10 × 0 + 50 × 1 = 50 \rho_1 = 10\times0 + 50\times1 = 50 ρ1=10×0+50×1=50
- ρ 2 = 20 × 0 + 50 × 1 = 50 \rho_2 = 20\times0 + 50\times1 = 50 ρ2=20×0+50×1=50
- ρ 3 = 30 × 0 + 50 × 1 = 50 \rho_3 = 30\times0 + 50\times1 = 50 ρ3=30×0+50×1=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 ( ρ = 50 , θ = π / 2 ) (\rho=50, \theta=\pi/2) (ρ=50,θ=π/2) 点，交汇次数为3（等于直线上的边缘点数）。
- 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 y=50 y=50，这也从霍夫变换的角度，严格证明了这3个点共线。
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：
- 第一步：边缘检测与梯度计算：对图像做Canny边缘检测得到边缘点，再计算每个边缘点的梯度方向（梯度是像素值变化的最快方向，垂直于边缘切线，因此梯度方向必然指向圆心------ 这是梯度法的核心几何依据）；
- 第二步：二维投票找圆心 ：以每个边缘点为起点，沿梯度方向绘制一条短线（或射线），统计图像中所有射线的交汇点，交汇频次最高的点即为圆心 ( a , b ) (a,b) (a,b)------ 这一步仅在二维 ( a , b ) (a,b) (a,b) 空间投票，计算量从三维降至二维；
- 第三步：一维统计找半径 ：确定圆心 ( a , b ) (a,b) (a,b) 后，计算该圆心到所有边缘点的欧式距离 d = ( x − a ) 2 + ( y − b ) 2 d=\sqrt{(x-a)^2 + (y-b)^2} d=(x−a)2+(y−b)2 ，统计距离的出现频次，频次最高的距离值即为圆的半径 r r r------ 这一步仅需一维遍历，计算量进一步降低。
（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_1(100,50) P1(100,50) 在圆的正下方，边缘切线为水平方向，梯度方向垂直向上，指向 ( 100 , 100 ) (100,100) (100,100)；
- P 2 ( 150 , 100 ) P_2(150,100) P2(150,100) 在圆的正右方，边缘切线为垂直方向，梯度方向水平向左，指向 ( 100 , 100 ) (100,100) (100,100)；
- P 3 ( 100 , 150 ) P_3(100,150) P3(100,150) 在圆的正上方，边缘切线为水平方向，梯度方向垂直向下，指向 ( 100 , 100 ) (100,100) (100,100)；
- 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 ) (100,100) (100,100)，该点投票频次最高，判定为圆心；
- 第三步：计算圆心 ( 100 , 100 ) (100,100) (100,100) 到3个点的距离：
- 到 P 1 P_1 P1： ( 100 − 100 ) 2 + ( 50 − 100 ) 2 = 50 \sqrt{(100-100)^2 + (50-100)^2}=50 (100−100)2+(50−100)2 =50；
- 到 P 2 P_2 P2： ( 150 − 100 ) 2 + ( 100 − 100 ) 2 = 50 \sqrt{(150-100)^2 + (100-100)^2}=50 (150−100)2+(100−100)2 =50；
- 到 P 3 P_3 P3： ( 100 − 100 ) 2 + ( 150 − 100 ) 2 = 50 \sqrt{(100-100)^2 + (150-100)^2}=50 (100−100)2+(150−100)2 =50；
距离的峰值为50，因此判定圆的半径为50。
（2）核心优势
- 计算量大幅降低 ：将三维 ( a , b , r ) (a,b,r) (a,b,r) 空间的遍历拆解为"二维找圆心 + 一维找半径"，计算复杂度从 O ( W × H × R ) O(W\times H\times R) O(W×H×R) 降至 O ( W × H + W × H ) O(W\times H + W\times H) O(W×H+W×H)，工程可执行性显著提升；
- 鲁棒性更强：梯度方向天然指向圆心，即使圆存在部分遮挡（如仅保留1/4圆弧），剩余边缘点的梯度射线仍能交汇到正确圆心，抗遮挡、抗噪声能力远优于直接三维遍历；
- 参数约束更精准：通过梯度方向约束，避免了无关边缘点对圆心检测的干扰，相比无约束的三维投票，误检率大幅降低。
三、核心差异：霍夫变换 vs 直接拟合
| 对比维度 | 霍夫变换 | 直接几何拟合 |
|---|---|---|
| 抗噪声能力 | 强（阈值筛选峰值） | 弱（单个噪声点影响拟合） |
| 抗遮挡能力 | 强（部分边缘即可检测） | 弱（需完整边缘） |
| 计算复杂度 | 中（参数空间遍历） | 低（仅拟合公式求解） |
| 适用场景 | 噪声/遮挡/模糊图像 | 无噪声、完整边缘图像 |
Ⅲ、代码实现
一、霍夫直线检测
python
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：
python
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：
- 将图像空间的边缘点映射到ρ-θ参数空间；
- 统计参数空间中各(ρ,θ)点的交汇次数（投票数）；
- 保留投票数≥阈值的(ρ,θ)，还原为图像空间的直线坐标(x1,y1,x2,y2)。
二、霍夫圆变换
python
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：
python
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"：
- 先通过Canny边缘检测提取圆边缘，计算每个边缘点的梯度方向（指向圆心）；
- 在二维空间统计梯度方向的交汇点，投票数≥param2的点判定为圆心；
- 计算圆心到边缘点的距离，统计峰值作为圆的半径；
- 最终输出格式为(x, y, r)（圆心坐标+半径），完成圆检测。
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。