1.霍夫直线检测 ·霍夫空间是一个极坐标空间
·假设有N个点，我们要检测其中的直线，也就是我们要找到具体的r和theata。对于上面所说的每个点可以通过无数条直线，这里我们设为n条（通常 n = 180），则我们一起可以找到Nn个（r, theata），对这Nn个（r,theata）,我们可以利用统计学，统计到在theta=某个值theta_i时，多个点的r近似相等于r_i。也就是说这多个点都在直线（r_i,theta_i）上。 原文链接：https://blog.csdn.net/weixin_40196271/article/details/83346442
·最后通过极坐标的r和角度值算回到普通空间的对应坐标值
直线变换例子 该方法因为要反变换会平面空间，所以比较复杂
该方法省略了中间的变换过程，直接返回两个点，简化计算
//变换步骤 1.边缘检测 2.转换为灰度图像 3.用houghlineP找出两点 4.将两点化成线并显示 //extract edge Canny(src, dst, 150, 200);//默认ksize为3 cvtColor(dst, gray_src, CV_GRAY2BGR); imshow("edge", gray_src); vector<Vec4f> plines;//定义一个容器装输出的坐标值 HoughLinesP(dst, plines, 1, CV_PI / 180.0, 10, 0, 10);//定义最大插值可以将比较远的点也合为一条线，有较强的抗锯齿效果 Scalar color = Scalar(0, 0, 255);//给画线填充颜色 for (size_t i = 0; i < plines.size(); i++) { Vec4f hline = plines[i]; //画线 输出的坐标点一般为x0,y0,x1,y1 line(gray_src, Point(hline[0], hline[1]), Point(hline[2], hline[3]), color, 3, LINE_AA); } imshow("output_line",gray_src);2.霍夫圆变换 原文链接：https://blog.csdn.net/weixin_40196271/article/details/83346442
2.如何判断多个点是否在一个圆上 同样经过一个点可以作出无数个圆，假设某个点平面坐标为(xi,yi)，使用的参数为（ai,bi,ri）则经过此点的圆的表达式为（xi-ai）^2 +（yi-bi） ^ 2=ri ^ 2。对于点（xj,yj）,必定存在（aj,bj,rj）使得 近似计算中 ai=aj,bi= bj, ri = rj，即两个点在同一个圆上；同理如果三个点在同一个圆上，则也必须存在 ai=aj =ak = a, bi=bj=bk = b, ri=rj=rk = r 的情况。 3.如何检测圆 要将圆检测出来，也就是要将上述的（a,b,r）求解出来。 假设r确定，此时点（x,y）又已知，根据（x-a）^2 +（y-b） ^ 2=r ^ 2 ，则（a,b）的轨迹在几何上则变成了以（x,y）为圆心，r为半径的圆；而r不确定时，（a,b，r）的轨迹变成了以（x,y）为顶点的一个圆锥。则（ai,bi,ri）,(aj,bj,rj), (ak,bk,rk)的圆为下图中圆锥面的角点A。
转换到霍夫空间如图所示，圆心处也就是交界处会特别的亮
API: 参数详细说明： 参数说明：
1.InputArray： 输入图像，数据类型一般用Mat型即可，需要是8位单通道灰度图像 2.OutputArray：存储检测到的圆的输出矢量 3.method：使用的检测方法，目前opencv只有霍夫梯度法一种方法可用，该参数填HOUGH_GRADIENT即可（opencv 4.1.0下） 4.dp：double类型的dp，用来检测圆心的累加器图像的分辨率于输入图像之比的倒数，且此参数允许创建一个比输入图像分辨率低的累加器。 上述文字不好理解的话，来看例子吧。例如，如果dp= 1时，累加器和输入图像具有相同的分辨率。如果dp=2，累加器便有输入图像一半那么大的宽度和高度。 5.minDist：为霍夫变换检测到的圆的圆心之间的最小距离 6.param1：它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT， 它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半。 7.param2：也是第三个参数method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法HOUGH_GRADIENT 它表示在检测阶段圆心的累加器阈值。它越小的话，就可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了。 8.minRadius：表示圆半径的最小值 9.maxRadius：表示圆半径的最大值具体实现：
//霍夫圆变换 //1.中值滤波--霍夫圆变换对噪声比较敏感，所以要通过中值滤波去除掉椒盐噪声 //2.转换为灰度图像 //3.圆检测 //4.画圆 //中值滤波 Mat moutput; medianBlur(src, moutput, 3); //转换为灰度图像 cvtColor(moutput, moutput, CV_BGR2GRAY); //霍夫圆检测 vector<Vec3f> pcricles;//定义一个容器装圆检测的信息 HoughCircles(moutput, pcricles, CV_HOUGH_GRADIENT, 1, 10, 100, 30, 5, 50); /* 参数说明： 1.InputArray： 输入图像，数据类型一般用Mat型即可，需要是8位单通道灰度图像 2.OutputArray：存储检测到的圆的输出矢量 3.method：使用的检测方法，目前opencv只有霍夫梯度法一种方法可用，该参数填HOUGH_GRADIENT即可（opencv 4.1.0下） 4.dp：double类型的dp，用来检测圆心的累加器图像的分辨率于输入图像之比的倒数，且此参数允许创建一个比输入图像分辨率低的累加器。 上述文字不好理解的话，来看例子吧。例如，如果dp= 1时，累加器和输入图像具有相同的分辨率。如果dp=2，累加器便有输入图像一半那么大的宽度和高度。 5.minDist：为霍夫变换检测到的圆的圆心之间的最小距离 6.param1：它是第三个参数method设置的检测方法的对应的参数。对当前唯一的方法霍夫梯度法CV_HOUGH_GRADIENT， 它表示传递给canny边缘检测算子的高阈值，而低阈值为高阈值的一半。 7.param2：也是第三个参数method设置的检测方法的对应的参数，对当前唯一的方法霍夫梯度法HOUGH_GRADIENT， 它表示在检测阶段圆心的累加器阈值。它越小的话，就可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更加接近完美的圆形了。 8.minRadius：表示圆半径的最小值 9.maxRadius：表示圆半径的最大值 */ src.copyTo(dst);//将src传递到dst中，并在dst中画圆 //画圆 for (size_t i = 0; i < pcricles.size(); i++) { Vec3f cc = pcricles[i]; //霍夫圆检测输出结果--圆心坐标，1.x0 2.y0,圆半径 3.r circle(dst, Point(cc[0], cc[1]), cc[2], Scalar(0, 0, 255), 2, LINE_AA); //画一下圆心 circle(dst, Point(cc[0], cc[1]), 2, Scalar(255, 0, 0), 2, LINE_AA); } imshow("output_img", dst);3.像素重映射
对像素进行映射，从而对图片进行相关操作
相关操作：
map_x.create(src.size(), CV_32FC1);//创建一张src大小的32位单通道图像 map_y.create(src.size(), CV_32FC1); int c = 0; while (true) { c = waitKey(500); index = c % 4;//case 0-3 if ((char)c == 27)//ESC { break; } update_map(); remap(src, dst, map_x, map_y, INTER_LINEAR, BORDER_CONSTANT, Scalar(0, 255, 255));//重定向算法 INTER_LINEAR--使用线性插值方法插值,BORDER_CONSTANT--使用定义颜色填充边缘 imshow("output_Img", dst); } return 0; } void update_map(void) { //对每个像素定义x,y map映射规则 for (int row = 0; row < src.rows; row++) { for (int col = 0; col < src.cols; col++) { switch (index){ //四种常见操作 case 0://缩小一半 if (col > src.cols * 0.25 && col<src.cols * 0.75 && row>src.rows * 0.25 && row < src.rows * 0.75) { //只保留0.25-0.75并减去0.25 即0-0.5 然后扩大一倍填充像素，实际只有一半大小 map_x.at<float>(row, col) = 2 * (col - src.cols * 0.25) + 0.5; map_y.at<float>(row, col) = 2 * (row - src.rows * 0.25) + 0.5; } else { //0-0.25 0.75-1都不要 map_x.at<float>(row, col) = 0; map_y.at<float>(row, col) = 0; } break; case 1: //x方向对调 map_x.at<float>(row, col) = src.cols - col-1;//-1 考虑边缘场景 map_y.at<float>(row, col) = row; break; case 2: map_x.at<float>(row, col) = col; map_y.at<float>(row, col) = src.rows - row - 1; break; case 3: //x,y全部对调 map_y.at<float>(row, col) = src.rows - row - 1; map_x.at<float>(row, col) = src.cols - col - 1; break; } } }