如何在 OpenCV Python 中实现概率霍夫变换？

概率霍夫变换是霍夫变换的一种优化。即使对于具有两个参数的直线，霍夫变换也需要大量的计算。概率霍夫变换不会考虑所有点，它只考虑点的随机子集，这对于直线检测就足够了。我们可以按照以下步骤在图像上实现概率霍夫变换：

导入所需的库。在以下所有示例中，所需的 Python 库是OpenCV。确保您已安装它。
使用cv2.imread()读取输入图像。使用此方法读取的 RGB 图像为 BGR 格式。可以选择将读取的 BGR 图像分配给 img。
现在，使用cv2.cvtColor()函数将此 BGR 图像转换为灰度图像，如下所示。可以选择将转换后的灰度图像分配给 gray。
对灰度图像应用阈值处理，将其转换为二值图像。调整第二个参数 (threshValue) 以获得更好的二值图像。
使用 Canny 边缘检测器（您可以使用任何其他边缘检测器来检测边缘）查找二值图像中的边缘。

edges = cv2.Canny(gray,50,200,apertureSize = 3)

使用cv2.HoughLinesP()对边缘图像应用概率霍夫变换。它返回检测到的直线的坐标。

lines = cv2.HoughLinesP(edges, 1, np.pi/180, 50, minLineLength, maxLineGap)

在图像上绘制直线并显示输出图像。

让我们看一些示例，以便更好地理解。

输入图像

我们将在下面的示例中使用此图像作为输入文件。

示例

在此示例中，我们找到具有以下直线属性的图像上的概率霍夫线变换：

minLineLength = 10
maxLineGap = 5

# import required libraries
import cv2
import numpy as np

# read the input image
img = cv2.imread('sudoku.jpg')

# convert the input image to grayscale image
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# find the edges using Canny edge detector
edges = cv2.Canny(gray,50,200,apertureSize = 3)
minLineLength = 10
maxLineGap = 5

# apply probabilistic Hough transform
lines = cv2.HoughLinesP(edges,1,np.pi/180,50,minLineLength,maxLineGap)
for line in lines:
   for x1,y1,x2,y2 in line:
      cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
cv2.imshow('houghlines.jpg',img)
cv2.imshow('edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()