几何形状检测
在数字图像中，往往存在一些特殊形状的几何图形，例如人眼瞳孔的圆形，建筑物立面的直线等。在图像处理与识别中，物体的形状属于高级信息，而基本几何形状是图像目标的主要特征之一，在数字图像中对其进行准确的检测有重要意义。
Hough算法
Hough变换是一种常用的几何图形检测算法，其基本原理是将特定图形上的点变换到一组参数空间上，然后根据参数空间点的累加结果找到一个极大值对应的解，而这个解正对应着要寻找的几何形状的参数（例如直线的斜率k与常数b，圆的圆心o与半径r等）。
ρ=xcosΘ+ysinΘρ=xcosΘ+ysinΘ
Hough变换算法的基本步骤：
①.将参数空间（ρ,Θρ,Θ）量化，赋初值为一个二维矩阵M，M（ρ，θ）就成了一个累加器。
②.对图像边界上的每一个点进行变换，变换后属于那一组（ρ，θ），就把该组（ρ，θ）对应的累加器数加1，这里需要变换的点就是上面说的经过边缘提取以后的图像。
③.处理完成所有点后，分析得到的M（ρ，θ）,设置一个阈值T，当M（ρ，θ）>T,就认为存在一条有意义的直线。
④.有了M（ρ，θ）和点p（x,y），我们就可以计算出对应的直线。
直线检测
OpenCV内置的置于Hough算法的直线检测函数有标准Hough变换函数HoughLines（）和统计Hough变换函数HoughLinesP（），二者的参数和用法基本一致。我们的示例代码以HoughLinesP（）函数为例。
函数原型：
HoughLinesP（image,rho,theta,threshold[,lines[,minLineLength[,maxLineGap]]]）
参数说明如下：
（1）image：8比特单通道灰度原图
（2）rho：极坐标参数距离分辨率，即ρ的精度。
（3）theta：极坐标参数角度分辨率，即θ的精度
（4）threshold：设定的阈值，大于此阈值的线段才可以被检测通过并返回到结果中。值越大，意味着检测出的线段越长，检测出的线段个数越少。
（5）lines：函数返回的矢量，包含所有键的到的直线的参数。
（6）minLineLength：线段的最小长度
（7）maxLineGap：点到直线被允许的最大距离。
基于Hough变换算法的图像直线检测示例代码：
#形状检测 import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread('D:\Image\\four.jpg') gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转化为灰度图像 #对图像进行Canny边缘检测 edges=cv2.Canny(gray,50,200) #基于Canny算子的图像边缘检测 plt.subplot(121) plt.imshow(edges,'gray') plt.xticks([]) plt.yticks([]) #基于统计Hough变换的直线检测 lines=cv2.HoughLinesP(edges,1,np.pi/180,30,minLineLength=60,maxLineGap=10) lines1=lines[:,0,:]#返回包含检测到的所有直线的二维矩阵 for x1,y1,x2,y2 in lines1[:]: cv2.line(img,(x1,y1),(x2,y2),(255,255,0),1) #在图像中用黄色的线标记检测出的直线 plt.subplot(122) plt.imshow(img,) plt.xticks([]) plt.yticks([]) plt.show()
结果展示：
根据图像显示，黄色标记的为直线，图像检测结果较为准确，但是依然存在部分重叠，这就需要程序员根据自己的需要调参数。
圆检测
对于圆的检测，我们知道圆的数学方程为：
(x−xcenter)2+(y−ycenter)2=r2(x−xcenter)2+(y−ycenter)2=r2
因此，一个圆的确定至少需要3个参数，那么Hough变换的累加器必须是三维的，需要通过三层循环来实现，从而把图像上的所有点映射到三维参数空间上。理论上，圆的检测比直线检测费时，不过OpenCV进行了优化。
函数原型即其参数说明：
cv2.HoughCircles(image,method,dp,minDist[, circles[,param1, param2[,minRadius[,maxRadius]]]]])
(1). image 不用多说，输入矩阵
(2).method cv2.HOUGH_GRADIENT 也就是霍夫圆检测，梯度法
(3).dp 计数器的分辨率图像像素分辨率与参数空间分辨率的比值（官方文档上写的是图像分辨率与累加器分辨率的比值，它把参数空间认为是一个累加器，毕竟里面存储的都是经过的像素点的数量），dp=1，则参数空间与图像像素空间（分辨率）一样大，dp=2，参数空间的分辨率只有像素空间的一半大
(4).minDist 圆心之间最小距离，如果距离太小，会产生很多相交的圆，如果距离太大，则会漏掉正确的圆
(5).param1 canny检测的双阈值中的高阈值，低阈值是它的一半
(6).param2 最小投票数（基于圆心的投票数）
(7).minRadius 需要检测院的最小半径
(8).maxRadius 需要检测院的最大半径
基于Hough算法的圆形图像检测示例代码：
#圆形检测 import numpy as np import cv2 import matplotlib.pyplot as plt img=cv2.imread('D:\Image\circle.jpg') gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.subplot(121) plt.imshow(gray,'gray') plt.xticks([]) plt.yticks([]) #基于Hough算法的圆形检测 circles1=cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,param1=100,param2=30,minRadius=150,maxRadius=200) circles=circles1[0,:,:] #返回检测道德圆的参数 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([]) plt.show()
标记内圆则需要更改参数（minRadius，maxRadius），这里更改参数后的标记如图：
尺度不变特征变换
尺度不变特征转化（Scale-Invariant Feature Transform，SIFT）是用于图像处理的一种算法，是一种局部特征描述算子，具有尺度不变性，可在图像中检测出关键点。
该算法于1999年由戴维·劳（David Lowe）在计算机视觉国际会议（International Conference on Computer Vision，ICCV）中首次提出，2004年，他再次整理完善后将相关论文发表于国际计算机视觉杂志（International Journal of Computer Vision，IJCV）。SIFT算法是用于提取图像局部特征的经典算法，其实质是在不同的尺度空间查找关键点（特征点），并计算出关键点的方向。SIFT所查找的关键点是一些十分突出，不会因光照，仿射变换（Affine Transformation）和噪声等因素而变化的点，如角点，边缘点，暗区的亮点及亮区的暗点等。
OpenCV内置了SIFT算法的诸多函数，包括示例化SIFT类的cv2.xfeatures2d.SIFT_create().
在图像中查找关键点的sift.detect(gray,None),计算找到关键点的描述符的sift.compute(grag,kp)以及在图中画出关键点的cv2.drawKeypoints(gray,kp,img)。
示例代码如下：
#尺度不变特征变换 import cv2 import numpy as np from matplotlib import pyplot as plt def getSift(): ''' 定义函数用于查看SIFT特征 ''' img_path1='D:\Image\girl.jpg' img=cv2.imread(img_path1) #将其转换为灰度图像 img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #创建SIFT的类 sift=cv2.SIFT_create() #版本改进，原来的函数为xdefaures2d.SIFT_create() #在图像中找到关键点 kp=sift.detect(img_gray,None) #keypoint数据分析 print(kp[0].pt) #计算每个关键点的SIFT特征 des=sift.compute(img_gray,kp) print(type(kp),type(des)) #des[0]为关键点的list，des[1]为特征向量的矩阵 print(type(des[0]),type(des[1])) print(des[0],des[1]) print(des[1].shape) #在灰度图像中找出这些点 img=cv2.drawKeypoints(img_gray,kp,np.array([]),(255,0,0),cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) plt.imshow(img) plt.show() getSift()
找到了关键点，那我们也就可以对两张图片进行匹配，shiyongSIFT算法进行图像匹配示例代码：
import cv2 from matplotlib import pyplot as plt img1=cv2.imread('D:\Image\\temp1.jpg',0) #载入第一幅图像 img2=cv2.imread("D:\Image\\temp2.jpg",0) #第二幅 #初始化SIFT检测器 sift=cv2.SIFT_create() #通过SIFT检测找到关键点kp和描述子des kp1,des1=sift.detectAndCompute(img1,None) kp2,des2=sift.detectAndCompute(img2,None) #蛮力匹配算法，有两个参数，距离度量（L2(default),L1）,是否交叉匹配（默认为False） bf=cv2.BFMatcher() #返回k个最佳匹配 matches=bf.knnMatch(des1,des2,k=2) good=[] for m,n in matches: if m.distance<0.75*n.distance: good.append([m]) img3=cv2.drawMatchesKnn(img1,kp1,img2,kp2,good[:10],None,flags=2) plt.imshow(img3) plt.show()
