🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🍻本文由virobotics(仪酷智能)原创首发
🥳欢迎大家关注✌点赞👍收藏⭐留言📝
前言
Hello，大家好，我是virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。
今天我们一起来使用LabVIEW AI视觉工具包快速实现霍夫圆和霍夫直线的检测。工具包的安装与下载方法可见之前的两篇博客。
一、环境搭建
1.1 部署本项目时所用环境
- 操作系统：Windows10
- python：3.6及以上
- LabVIEW：2018及以上 64位版本
- AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
1.2 LabVIEW工具包下载及安装
- AI视觉工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/123656523
二、霍夫直线检测
2.1 霍夫直线检测原理简介
霍夫直线检测过程，是将笛卡尔坐标系下的直线方程转换到极坐标系下，并根据各个像素的坐标点代入得到的方程，获取对应的直线参数.
直线可以分别用直角坐标系和极坐标系来表示：那么经过某个点(x0,y0)的所有直线都可以用这个式子来表示： y0 =kx0+b。也就是说每一个(r,θ)都表示一条经过(x0,y0)直线，那么同一条直线上的点必然会有同样的(r,θ)。如果将某个点所有的(r,θ)绘制成下面的曲线，那么同一条直线上的点的(r,θ)曲线会相交于一点：
2.2 python实现霍夫直线检测
0️⃣API
lines = cv2.HoughLines(image, rho, theta, thresh)
1️⃣参数
- image：检测的图像，要二值化的图像,检测前需要先对图像进行二值化处理或是canny边缘检测，推荐使用canny边缘检测的结果图像。
- rho：以像素为单位累加器的分辨距离值,推荐用1.0。
- theta：以用弧度表示的角度, 推荐用numpy.pi/180 。
- thresh：累加器阈值参数，超过设定阈值才被检测出线段，值越大，检出的线段越长，检出的线段个数越少。推荐先用100
返回值：
- lines：输出检测到的直线的向量，每条直线用(r,θ)表示。r表示直线到原点(就是图片的左上角)的距离。θ表示直线的旋转角度。
2️⃣实现霍夫直线检测
import cv2
import numpy as np
img = cv2.imread("linegraph.jpg") #读取图片文件
cv2.namedWindow("Image")
cv2.imshow("Image", img) #显示该图片内容
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 90, 110)
cv2.imshow('edges', edges)
# 霍夫变换
lines = cv2.HoughLines(edges, 1, np.pi/180,150)
img1 = img.copy()
# 将检测的线绘制在图像上（注意是极坐标噢）
for line in lines:
rho,theta = line[0]
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(img1, (x1, y1), (x2, y2), (255, 255, 0), 2)
cv2.imshow('img1', img1)
cv2.waitKey (0) #等待一定时间，让显示内容可以被看到
cv2.destroyAllWindows() #关闭所有显示框
3️⃣运行结果
2.3 LabVIEW实现霍夫直线检测
0️⃣相关VI及参数介绍
HoughLines.vi：检测图片中的直线
参数说明：
- Mat in：检测的图像，要二值化的图像
- parameters簇中参数含义：
- rho：以像素为单位累加器的分辨距离值,推荐用1.0。
- theta：以用弧度表示的角度, 推荐用pi/180 。
- thresh：累加器阈值参数，超过设定阈值才被检测出线段，值越大，检出的线段越长， 检出的线段个数越少。
- 输出 lines：输出检测到的直线的向量
Draw_Line.vi:绘制直线
参数说明：
- Mat:要绘制直线的图像
- pt1,pt2: 直线的起点和终点
- color: 线条的颜色
- thickness: 线条宽度
Canny.vi：边缘检测
参数说明：
- Mat in:灰度图，
- threshold1: minval，较小的阈值将间断的边缘连接起来
- threshold2: maxval，较大的阈值检测图像中明显的边缘
1️⃣实现霍夫直线检测
2️⃣运行结果
三、霍夫圆检测
3.1 霍夫圆检测原理
霍夫圆变换跟直线变换类似，线是用(r,θ)表示，圆则是用(x_center,y_center,r)来表示，从二维变成了三维，数据量变大很多，一般使用霍夫梯度法减少计算量。
3.2 python实现霍夫圆检测
0️⃣API
cv2.HoughCircles(image, method, dp, minDist, param1=100, param2=100, minRadius=0,maxRadius=0 )
1️⃣参数
- image：输入图像
- method：使用霍夫变换圆检测的算法，它的参数是CV_HOUGH_GRADIENT
- dp ：霍夫空间的分辨率，dp=1时表示霍夫空间与输入图像空间的大小一致，dp=2时霍夫空间是输入图像空间的一半，以此类推
- minDist为圆心之间的最小距离，如果检测到的两个圆心之间距离小于该值，则认为它们是同一个圆心
- param1：边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半。
- param2：检测圆心和确定半径时所共有的阈值
- minRadius和maxRadius为所检测到的圆半径的最小值和最大值
返回：
- circles：输出圆向量，包括三个浮点型的元素——圆心横坐标，圆心纵坐标和圆半径
2️⃣实现霍夫圆检测
import cv2
import numpy as np
img = cv2.imread("shapes.jpg") #读取图片文件
cv2.namedWindow("Image")
cv2.imshow("Image", img) #显示该图片内容
gray = img[:,:,2]#cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #图片转换为灰度格式
##cv2.imshow('gray',gray)
ret,thresh1 = cv2.threshold(gray,100,255,cv2.THRESH_BINARY)
edges = cv2.Canny(thresh1, 90,110) #对图片进行边缘检测
cv2.imshow('HoughCircle',edges)
#通过HoughCircles方法检测圆形
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 100, param2=22,
maxRadius=100,minRadius=30)
#在图片中标识出找到的直线
for i in circles[0, :]:
cv2.circle(img, (int(i[0]), int(i[1])), int(i[2]), (0, 255, 0), 2) # 画出外圆
cv2.circle(img, (int(i[0]), int(i[1])), 2, (0, 0, 255), 3) # 画出圆心
cv2.imshow('HoughCircle',img)
cv2.waitKey (0) #等待一定时间，让显示内容可以被看到
cv2.destroyAllWindows() #关闭所有显示框
3️⃣运行结果
3.3 LabVIEW实现霍夫圆检测
0️⃣相关VI及参数介绍
HoughCircles.vi:检测图片中的圆
参数介绍：
- Mat in：检测的图像，要二值化的图像
- parameters簇中参数含义：
- method：使用霍夫变换圆检测的算法，它的参数是3
- dp ：霍夫空间的分辨率，dp=1时表示霍夫空间与输入图像空间的大小一致，dp=2时霍夫空间是输入图像空间的一半，以此类推
- minDist为圆心之间的最小距离，如果检测到的两个圆心之间距离小于该值，则认为它们是同一个圆心
- param1：边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半。
- param2：检测圆心和确定半径时所共有的阈值
- minRadius和maxRadius为所检测到的圆半径的最小值和最大值
- 输出circles：输出圆向量
Draw_Circle.vi：绘制圆
参数介绍：
- Mat:要绘制直线的图像
- center,radius: 圆心和半径
- color: 线条的颜色
- thickness: 线条宽度
1️⃣实现霍夫圆检测
2️⃣运行结果
四、项目源码
项目源码下载：https://download.csdn.net/download/virobotics/87794021
更多内容可关注微信公众号：VIRobotics
总结
以上就是今天要给大家分享的内容，希望对大家有用。如有笔误，还请各位及时指正。后续还会继续给各位朋友分享其他案例，欢迎大家关注博主。我是virobotics（仪酷智能），我们下篇文章见~
如果有问题可以在评论区里讨论，提问前请先点赞支持一下博主哦，如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299。进群请备注：LabVIEW机器视觉
**如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏
