Python下opencv使用hough变换检测直线与圆

function mean_circle = hough_circle(BW,step_r,step_angle,r_min,r_max,p)
%------------------------------算法概述-----------------------------
% 该算法通过a = x-r*cos(angle)，b = y-r*sin(angle)将圆图像中的边缘点
% 映射到参数空间(a,b,r)中，由于是数字图像且采取极坐标，angle和r都取
% 一定的范围和步长，这样通过两重循环（angle循环和r循环）即可将原图像
% 空间的点映射到参数空间中，再在参数空间（即一个由许多小立方体组成的
% 大立方体)中寻找圆心，然后求出半径坐标。
%-------------------------------------------------------------------
%------------------------------输入参数-----------------------------
% BW:二值图像；
% step_r:检测的圆半径步长  
% step_angle:角度步长，单位为弧度   :各度计算  1° = 0.0174 
%                                              2° = 0.035  
%                                              3° = 0.0524
%                                              4° = 0.0698
%                                              5° = 0.0872
% r_min:最小圆半径
% r_max:最大圆半径
% p:以p*hough_space的最大值为阈值，p取0，1之间的数
%-------------------------------------------------------------------
%          --------对半径的大小范围规定问题--------
%         ------ 实验中发现：外轮廓的半径范围在220~260之间   
%                           内轮廓的半径范围 60~80之间   
%    Note：：  &&&&&&&&&&&当图像改变时半径范围需要改变&&&&&&&&&&&&
%    question： 半径的范围差超过50将会显示内存不足，注意方案办法
%------------------------------输出参数-----------------------------
% hough_space:参数空间，h(a,b,r)表示圆心在(a,b)半径为r的圆上的点数
% hough_circl:二值图像，检测到的圆
% para:检测到的所有圆的圆心、半径
% mean_circle ： 返回检测到的圆的平均位置及大小
%-------------------------------------------------------------------

[m,n] = size(BW);  %取大小
size_r = round((r_max-r_min)/step_r)+1; %半径增加，循环次数
size_angle = round(2*pi/step_angle);    %角度增加，循环次数
hough_space = zeros(m,n,size_r);       %hough空间
[rows,cols] = find(BW);%把要检测的点存起来，只有白色（边缘）点需要变换
ecount = size(rows);   %检测的点的个数

tic    %%%% 计时开始位置 
% Hough变换
% 将图像空间(x,y)对应到参数空间(a,b,r)
% a = x-r*cos(angle)
% b = y-r*sin(angle)
for i=1:ecount      %点个数循环
    for r=1:size_r   %单个点在所有半径空间内检测
        for k=1:size_angle  %单个点在半径一定的所在圆内检测
            a = round(rows(i)-(r_min+(r-1)*step_r)*cos(k*step_angle));
            b = round(cols(i)-(r_min+(r-1)*step_r)*sin(k*step_angle));
            if(a>0&a<=m&b>0&b<=n)   %对应到某个圆上，记录之
                hough_space(a,b,r) = hough_space(a,b,r)+1;
            end
        end
    end
end
% 搜索超过阈值的聚集点
max_para = max(max(max(hough_space)));%找到最大值所在圆参数
index = find(hough_space>=max_para*p);%索引在一定范围内的圆参数
length = size(index);
toc  %%%% 计时结束位置，通过计时观察运行效率，hough变换的一大缺点就是耗时

% 将索引结果转换为对应的行列（圆心）和半径大小
% 理解三维矩阵在内存中的存储方式可以理解公式的原理
for k=1:length
    par3 = floor(index(k)/(m*n))+1;
    par2 = floor((index(k)-(par3-1)*(m*n))/m)+1;%转换为圆心的y值
    par1 = index(k)-(par3-1)*(m*n)-(par2-1)*m;%转换为圆心的x值
    par3 = r_min+(par3-1)*step_r; %转化为圆的半径
    %储存在一起
    para(:,k) = [par1,par2,par3]';
end
% 为提高准确性，求取一个大致的平均位置（而不是直接采用的最大值）
mean_circle = round(mean(para')');

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('line.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLines(edges,1,np.pi/180,160)
lines1 = lines[:,0,:]#提取为为二维
for rho,theta in lines1[:]: 
a = np.cos(theta)
b = np.sin(theta)
x0 = a*rho
y0 = b*rho
x1 = int(x0 + 1000*(-b))
y1 = int(y0 + 1000*(a))
x2 = int(x0 - 1000*(-b))
y2 = int(y0 - 1000*(a)) 
cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('room.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 
#open to see how to use: cv2.Canny
#http://blog.csdn.net/on2way/article/details/46851451 
edges = cv2.Canny(gray,50,200)
plt.subplot(121),plt.imshow(edges,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
lines = cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=60,maxLineGap=10)
lines1 = lines[:,0,:]#提取为二维
for x1,y1,x2,y2 in lines1[:]: 
    cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)

plt.subplot(122),plt.imshow(img,)
plt.xticks([]),plt.yticks([])

cv2.HoughCircles(image, method, dp, minDist, circles, param1, param2, minRadius, maxRadius) 

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('eye.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度图像 

plt.subplot(121),plt.imshow(gray,'gray')
plt.xticks([]),plt.yticks([])
#hough transform
circles1 = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,
100,param1=100,param2=30,minRadius=200,maxRadius=300)
circles = circles1[0,:,:]#提取为二维
circles = np.uint16(np.around(circles))#四舍五入，取整
for i in circles[:]: 
    cv2.circle(img,(i[0],i[1]),i[2],(255,0,0),5)#画圆
    cv2.circle(img,(i[0],i[1]),2,(255,0,255),10)#画圆心

plt.subplot(122),plt.imshow(img)
plt.xticks([]),plt.yticks([])