企业官网建设流程全解析

OpenCV 霍夫直线变换实战指南：HoughLines 与 HoughLinesP 的检测原理、参数详解与代码示例

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

霍夫直线变换（Hough Line Transform）是图像处理中最经典的直线检测算法之一，广泛用于车道线识别、文档扫描矫正、棋盘格与网格线提取等场景。本篇技术指南基于 OpenCV 官方教程 hough_lines.markdown，结合当前仓库中的真实示例源码与 API 声明，系统讲解标准霍夫变换（HoughLines）与概率霍夫变换（HoughLinesP）的数学原理、完整参数含义，并提供可直接编译运行的 C++ / Python 实战代码。读完本文，你将掌握：如何用 Canny 预处理图像，如何调用两类霍夫函数并解析其输出（(ρ, θ)与线段端点），以及如何依据阈值、minLineLength、maxLineGap等参数调出稳定、可控的直线检测结果。

学习目标

本教程的核心目标非常聚焦：学会使用 OpenCV 的HoughLines()与HoughLinesP()两个函数，在二值边缘图像中检测图像内的直线，并正确地把检测结果绘制回原图。

在动手调用 API 之前，理解算法背后的"投票（voting）"思想至关重要——它决定了每个参数的取值逻辑。

理论基础：霍夫直线变换是如何工作的

本节原理说明参考了 Bradski 与 Kaehler 所著的Learning OpenCV一书。

为什么要先做边缘检测？霍夫直线变换用于检测直线，而"待投票的点"正是图像中的边缘像素。因此官方推荐在使用霍夫变换之前，先通过边缘检测（如 Canny）对图像做预处理，把彩色/灰度图收缩为一张只有边缘轮廓的二值图，再送入霍夫函数。

直线在图像空间中的两种表示

众所周知，图像空间中的一条直线可以用两个变量来描述：

• 笛卡尔坐标系：参数为斜率与截距 $(m, b)$，对应直线方程 $y = mx + b$；
• 极坐标系：参数为 $(r, \theta)$，其中 $r$ 是直线到坐标原点（图像左上角 $(0,0)$）的垂直距离，$\theta$ 是垂线与横轴的夹角。

霍夫变换采用极坐标系表示直线，其方程可写为：

$$y = \left( -\frac{\cos\theta}{\sin\theta} \right) x + \left( \frac{r}{\sin\theta} \right)$$

整理各项后即得到霍夫直线变换的核心公式：

$$r = x \cos\theta + y \sin\theta$$

之所以不用 $y = mx + b$，是因为当直线竖直时斜率 $m$ 趋近无穷，参数空间无法覆盖所有情况；而 $(r, \theta)$ 对任意方向的直线都是有界的、稳定的。

从"图像空间的一个点"到"参数空间的一条正弦曲线"

对于图像空间中任意一个固定点 $(x_0, y_0)$，所有经过该点的直线族可以表示为：

$$r_\theta = x_0 \cos\theta + y_0 \sin\theta$$

也就是说，每一对 $(r_\theta, \theta)$ 都对应一条经过 $(x_0, y_0)$ 的直线。如果把 $\theta$ 看作自变量、$r$ 看作因变量，在 $(\theta, r)$ 平面上把经过该点的所有直线画出来，就会得到一条正弦曲线（sinusoid）。例如对点 $x_0 = 8$、$y_0 = 6$，其轨迹即是一条正弦波。

关键洞察：曲线相交 = 共线投票

对图像中的每一个边缘点都执行上述操作，我们会得到一族正弦曲线。此时出现霍夫变换最核心的几何事实：

若两条不同点的曲线在 $(\theta, r)$ 平面上相交，说明这两个点位于同一条直线上。

继续上面的例子，再补充两个点 $x_1 = 4$、$y_1 = 9$ 和 $x_2 = 12$、$y_2 = 3$，画出它们的曲线后可以发现，三条曲线相交于唯一的一点 $(0.925, 9.6)$。这一坐标正是 $(x_0,y_0)$、$(x_1,y_1)$、$(x_2,y_2)$ 三点所在的直线所对应的参数 $(\theta, r)$。

把上面这些几何观察翻译成算法语言，就是：

• 一条直线之所以能被"检测"到，是因为它在参数空间中对应曲线交点的数量足够多；
• 相交的曲线越多，说明落在同一条直线上的边缘点越多，该直线越"真实"；
• 因此我们可以设定一个阈值（threshold）：只有当参数单元获得的票数（相交曲线数）超过该阈值时，才判定 $(\theta, r_\theta)$ 对应一条真实直线。

这就是霍夫直线变换的全部本质：追踪图像中每个点对应的曲线之间的交点（即向一个 $(\theta, r)$ 累加器投票），统计票数，超过阈值即宣布检测到一条直线。

需要说明的是，实现中只考虑 $r > 0$ 且 $0 < \theta < 2\pi$ 范围内的参数，以保证参数空间紧凑且无歧义。

OpenCV 实现的三种霍夫直线变换

OpenCV 的imgproc模块共提供三种霍夫直线变换实现，它们被封装在两个函数中：

a. 标准霍夫变换（Standard Hough Transform）

• 实现方式与前文推导的"逐点画曲线、统计交点"完全一致；
• 输出是直线参数对 $(\theta, r_\theta)$ 的向量；
• 对应函数：HoughLines()。

b. 概率霍夫直线变换（Probabilistic Hough Line Transform）

• 标准霍夫变换更高效的实现，它不再对全部边缘点做全量投票，而是随机抽取边缘点子集参与投票（参考文献Matas00，即 J. Matas 等人的Progressive Probabilistic Hough Transform）；
• 输出不再是无限长的直线参数，而是已检测线段两个端点的坐标$(x_{start}, y_{start}, x_{end}, y_{end})$，便于直接绘制线段并计算长度；
• 对应函数：HoughLinesP()。

c. 加权霍夫变换（Weighted Hough Transform）

• 标准霍夫变换对二值边缘图投票，每个边缘点贡献值恒为 1；加权霍夫变换则直接利用**边缘强度（edge intensity）**而非 0/1 值参与投票，从而对弱边缘更鲁棒；
• 它同样是HoughLines()，只是需要把参数use_edgeval置为true，并传入一张按边缘强度编码的图像；
• 交互式演示见仓库示例 HoughLines_Demo.cpp。

函数签名与完整参数（源码级）

在头文件 modules/imgproc/include/opencv2/imgproc.hpp 中，HoughLines的完整声明为：

CV_EXPORTS_W void HoughLines( InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn = 0, double stn = 0, double min_theta = 0, double max_theta = CV_PI, bool use_edgeval = false );

各参数含义如下：

而HoughLinesP（见 imgproc.hpp）的声明为：

CV_EXPORTS_W void HoughLinesP( InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength = 0, double maxLineGap = 0 );

顺带一提，imgproc还提供了针对点集输入的HoughLinesPointSet，用于在若干离散点而非整幅二值图中检测直线，其输出格式为 $(votes, rho, theta)$。当你的输入本身是特征点集而非边缘图时，可以考虑它。

完整示例代码解读

官方讲解的核心示例位于仓库的 samples/cpp/tutorial_code/ImgTrans/houghlines.cpp，默认输入图片为 samples/data/sudoku.png（一张数独棋盘网格图，非常适合演示横竖网格线的检测）。同目录下还有带 Trackbar 的增强版 HoughLines_Demo.cpp。

下面给出完整 C++ 代码（与仓库源码一致），随后逐段讲解：

/** * @file houghlines.cpp * @brief This program demonstrates line finding with the Hough transform */ #include "opencv2/imgcodecs.hpp" #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" using namespace cv; using namespace std; int main(int argc, char** argv) { // Declare the output variables Mat dst, cdst, cdstP; // Loads an image（默认 sudoku.png，可用命令行参数覆盖） const char* default_file = "sudoku.png"; const char* filename = argc >= 2 ? argv[1] : default_file; Mat src = imread( samples::findFile( filename ), IMREAD_GRAYSCALE ); // Check if image is loaded fine if(src.empty()){ printf(" Error opening image\n"); printf(" Program Arguments: [image_name -- default %s] \n", default_file); return -1; } // Edge detection：先用 Canny 提取边缘 Canny(src, dst, 50, 200, 3); // Copy edges to the images that will display the results in BGR cvtColor(dst, cdst, COLOR_GRAY2BGR); cdstP = cdst.clone(); // Standard Hough Line Transform vector<Vec2f> lines; // will hold the results of the detection HoughLines(dst, lines, 1, CV_PI/180, 150, 0, 0 ); // runs the actual detection // Draw the lines for( size_t i = 0; i < lines.size(); i++ ) { float rho = lines[i][0], theta = lines[i][1]; Point pt1, pt2; double a = cos(theta), b = sin(theta); double x0 = a*rho, y0 = b*rho; pt1.x = cvRound(x0 + 1000*(-b)); pt1.y = cvRound(y0 + 1000*(a)); pt2.x = cvRound(x0 - 1000*(-b)); pt2.y = cvRound(y0 - 1000*(a)); line( cdst, pt1, pt2, Scalar(0,0,255), 3, LINE_AA); } // Probabilistic Line Transform vector<Vec4i> linesP; // will hold the results of the detection HoughLinesP(dst, linesP, 1, CV_PI/180, 50, 50, 10 ); // runs the actual detection // Draw the lines for( size_t i = 0; i < linesP.size(); i++ ) { Vec4i l = linesP[i]; line( cdstP, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0,0,255), 3, LINE_AA); } // Show results imshow("Source", src); imshow("Detected Lines (in red) - Standard Hough Line Transform", cdst); imshow("Detected Lines (in red) - Probabilistic Line Transform", cdstP); // Wait and Exit waitKey(); return 0; }

第一步：以灰度模式加载图像

const char* default_file = "sudoku.png"; const char* filename = argc >= 2 ? argv[1] : default_file; Mat src = imread( samples::findFile( filename ), IMREAD_GRAYSCALE );

代码先以IMREAD_GRAYSCALE（灰度）模式读图，支持用命令行参数argv[1]覆盖默认的sudoku.png。samples::findFile会在已配置的 OpenCV 样本数据目录中定位图片，这正是该示例不写绝对路径也能找到 samples/data/sudoku.png 的原因。读图后用src.empty()做健壮性检查，失败则打印用法并返回。

第二步：用 Canny 检测图像边缘

Canny(src, dst, 50, 200, 3);

前文原理部分强调过：霍夫直线变换作用于二值边缘图。这里用 Canny 边缘检测器把灰度图src变为只含边缘的二值图dst，阈值取低阈值 50、高阈值 200，Sobel 核大小 3。之后再将边缘图转回 BGR 彩色空间（cvtColor(dst, cdst, COLOR_GRAY2BGR)）并克隆一份，分别用于叠加两种算法的结果，便于目视对比。

第三步：应用标准霍夫直线变换并绘制

vector<Vec2f> lines; HoughLines(dst, lines, 1, CV_PI/180, 150, 0, 0 );

各实参的取法（与官方文档逐条对应）：

• dst：边缘检测器的输出。按文档要求它应是一张灰度图——虽然实际上内容已是二值的；
• lines：用于存放检测结果的向量，元素类型Vec2f，即每一条直线存 $(\rho, \theta)$ 两个参数；
• rho：$r$ 方向的分辨率，单位像素，此处取1 像素；
• theta：$\theta$ 方向的分辨率，单位弧度，此处取1 度，即CV_PI/180；
• threshold：判定"检测到直线"所需的最小投票数（最小交点数量），此处取 150；
• srn、stn：多尺度霍夫参数，默认取 0，此时调用的是经典（非多尺度）霍夫变换。

绘制直线时，由于标准霍夫只给出参数 $(\rho, \theta)$ 而没有端点，需要自己换算成图像上的两个点：

float rho = lines[i][0], theta = lines[i][1]; double a = cos(theta), b = sin(theta); double x0 = a*rho, y0 = b*rho; pt1.x = cvRound(x0 + 1000*(-b)); pt1.y = cvRound(y0 + 1000*(a)); pt2.x = cvRound(x0 - 1000*(-b)); pt2.y = cvRound(y0 - 1000*(a)); line( cdst, pt1, pt2, Scalar(0,0,255), 3, LINE_AA);

其中 $(x_0, y_0) = (\rho\cos\theta, \rho\sin\theta)$ 是直线上离原点最近的那个点；沿垂直于它的方向（方向向量 $(-\sin\theta, \cos\theta)$）向两侧各延伸 1000 像素即得到pt1、pt2，从而把"无限长"直线完整画出来。代码用line()以红色Scalar(0,0,255)、线宽 3、抗锯齿LINE_AA绘制。

第四步：应用概率霍夫直线变换并绘制

vector<Vec4i> linesP; HoughLinesP(dst, linesP, 1, CV_PI/180, 50, 50, 10 );

与标准霍夫不同，HoughLinesP额外暴露了两个对线段质量影响极大的参数：

• minLineLength：构成一条线所需的最少点数。低于该点数的短线会被直接忽略，此处取 50；
• maxLineGap：判定为同一条直线时，两点之间允许出现的最大间距。此值越大，被拼接成一条长线的"断口容忍度"越高，此处取 10。

由于输出Vec4i l就是线段两端点 $(x_1,y_1,x_2,y_2)$，绘制无需换算，直接连线即可：

line( cdstP, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0,0,255), 3, LINE_AA);

第五步：显示结果并等待用户按键退出

imshow("Source", src); imshow("Detected Lines (in red) - Standard Hough Line Transform", cdst); imshow("Detected Lines (in red) - Probabilistic Line Transform", cdstP); waitKey(); return 0;

程序会弹出三个窗口：原图、标准霍夫结果、概率霍夫结果，随后在waitKey()处阻塞，等待用户按键后退出。这也是几乎所有 OpenCV GUI 示例的标准收尾方式。

Python 版本要点

对于 Python 用户，仓库提供了逐段与 C++ 对应的脚本 samples/python/tutorial_code/ImgTrans/HoughLine/hough_lines.py。核心调用完全一一对应：

import math import cv2 as cv import numpy as np src = cv.imread(cv.samples.findFile('sudoku.png'), cv.IMREAD_GRAYSCALE) dst = cv.Canny(src, 50, 200, None, 3) cdst = cv.cvtColor(dst, cv.COLOR_GRAY2BGR) cdstP = np.copy(cdst) # 标准霍夫：输出 (rho, theta) 列表 lines = cv.HoughLines(dst, 1, np.pi / 180, 150, None, 0, 0) if lines is not None: for rho, theta in lines.reshape(-1, 2): a, b = math.cos(theta), math.sin(theta) x0, y0 = a * rho, b * rho pt1 = (int(x0 + 1000 * (-b)), int(y0 + 1000 * a)) pt2 = (int(x0 - 1000 * (-b)), int(y0 - 1000 * a)) cv.line(cdst, pt1, pt2, (0, 0, 255), 3, cv.LINE_AA) # 概率霍夫：输出线段端点 linesP = cv.HoughLinesP(dst, 1, np.pi / 180, 50, None, 50, 10) if linesP is not None: for x1, y1, x2, y2 in linesP.reshape(-1, 4): cv.line(cdstP, (x1, y1), (x2, y2), (0, 0, 255), 3, cv.LINE_AA) cv.imshow("Source", src) cv.imshow("Detected Lines (in red) - Standard Hough Line Transform", cdst) cv.imshow("Detected Lines (in red) - Probabilistic Line Transform", cdstP) cv.waitKey()

运行命令（可省略图片参数，默认使用sudoku.png）：

python3 samples/python/tutorial_code/ImgTrans/HoughLine/hough_lines.py samples/data/sudoku.png

Java 版本见 samples/java/tutorial_code/ImgTrans/HoughLine/HoughLines.java，调用形式为Imgproc.HoughLines(...)/Imgproc.HoughLinesP(...)，读取Mat中的(rho, theta)后同样按"最近点 ± 垂直方向延伸"的方式绘制；此处不再赘述。

进阶演示：带 Trackbar 的 HoughLines_Demo.cpp

官方教程的示例结果来自增强版 HoughLines_Demo.cpp。它的算法逻辑与上面相同，但额外做了三件事：

1. 为三种变换各开一个窗口与 Trackbar：Standard_Hough、Probabilistic_Hough共用阈值滑条（范围 50～150），可实时观察阈值对检出线条数的影响；
2. 演示加权霍夫变换：先用Sobel(src_gray, sobel_edge, CV_16S, 1, 0)求水平方向梯度得到边缘强度图，经convertScaleAbs与threshold（THRESH_TOZERO）处理后，以HoughLines(..., use_edgeval=true)基于边缘强度投票（见函数体内的第三个回调Weighted_Hough）；
3. 滑条回调机制保证了每次拖动阈值都即时重跑检测并刷新画面，非常适合用来培养对阈值参数的直觉。

编译运行方式与普通 OpenCV 程序一致，用法为./HoughLines_Demo <image_name>，默认测试图为building.jpg。

运行与编译方法

• Python：安装带opencv-python的环境后，直接执行上文给出的python3命令即可；
• C++：仓库在 samples/CMakeLists.txt 提供了整套示例的 CMake 构建方案。可按 OpenCV 常规方式配置源码构建目录，编译目标houghlines与HoughLines_Demo；随后在已设置好OPENCV_SAMPLES_DATA_PATH的情况下运行，samples::findFile会自动定位sudoku.png等样本数据；
• 传入自己的图片时，仅需把第一个命令行参数替换为图片路径即可，例如./houghlines /path/to/your/image.png。

结果展示与阈值调参

以仓库自带的 sudoku.png（数独棋盘）为输入，标准霍夫直线变换的检测结果（红线上叠加于原图）如下：

概率霍夫直线变换的结果如下：

对比两图可以发现：标准霍夫输出的是贯穿整幅图像的"无限长"直线（数独网格的横竖线被还原为长直线）；而概率霍夫直接输出线段，对图像边缘残缺、断续的容错性更好，适合定位如纸张边缘、车道线这类真实存在的有限线段。

调参规律（在带 Trackbar 的 Demo 中反复拖动即可验证）：改变threshold会显著改变检出的线条数——道理很直观：阈值越高，意味着"声明一条直线所需的共线点数越多"，只有更长、更连续的边缘才能达标，因而检出的直线更少；反之阈值越低，检出的直线越多，同时噪声造成的假阳性也会增多。实际项目中应结合minLineLength（过滤短线碎片）与maxLineGap（容忍断点拼接）协同调节。

小结

• 霍夫直线变换把"图像空间中的直线检测"转化为"参数空间中的峰值投票"：每个边缘点在 $(\theta, r)$ 平面画一条正弦曲线，曲线交点即共线证据，票数超过threshold即判定为直线；
• 标准霍夫（HoughLines）输出 $(ρ, θ)$ 对，直线无端点概念，适合检测"贯穿性结构"（网格、地平线），配合srn/stn还可切换为多尺度霍夫，配合use_edgeval=true可切换为加权霍夫；
• 概率霍夫（HoughLinesP）输出线段端点，速度快、可直接得到线段几何，额外受minLineLength与maxLineGap约束，是多数工程场景的首选；
• 两条 API 都要求输入8 位单通道二值边缘图，且可能原地修改输入图像，记得传入 Canny 的输出版本并保存原图用于叠加绘制。

想继续深入本系列，可接着阅读仓库中的 霍夫圆变换教程（HoughCircles检测圆）与前置的 Canny 边缘检测教程。所有示例源码、输入图片与 API 文档均可在本文引用的仓库路径下找到，动手运行一遍即可直观掌握每种变换的行为差异。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv