常用直线检测算法

概述

在计算机视觉领域，我们经常需要做一些特殊的任务，而这些任务中经常会用到直线检测算法，比如车道线检测、长度测量等。

– 资料

直线检测算法汇总_技术挖掘者的博客-CSDN博客_直线检测算法

直线检测算法博文中缺失的几个源码(Hough_line、LSD、FLD、EDlines、LSWMS、CannyLines、MCMLSD、LSM)_昊虹AI笔记的博客-CSDN博客_lsm直线检测算法

Hough_line直线检测算法

Hough变换是一个比较有名的计算机视觉处理算法，该算法可以用来做很多的任务，常用的任务包括直线检测、圆检测、椭圆检测等，下面我们将对该算法进行简单的分析并进行代码实战。

– Hough_line实现步骤

步骤1-首先，它创建一个二维数组或累加器（用于保存两个参数的值），并将其初始设置为零；
步骤2-用r来表示行，用θ来表示列；
步骤3-数组的大小取决于你所需要的精度。假设您希望角度的精度为1度，则需要180列（直线的最大度数为180）；
步骤4-对于r，可能的最大距离是图像的对角线长度。因此，取一个像素精度，行数可以是图像的对角线长度。

– cv2.HoughLines函数

HoughLines(image, rho, theta, threshold[, lines[, srn[, stn[, min_theta[, max_theta]]]]])

image参数表示边缘检测的输出图像，该图像为单通道8位二进制图像。

rho参数表示参数极径 r 以像素值为单位的分辨率，这里一般使用1像素。

theta参数表示参数极角の以弧度为单位的分辨率，这里使用1度。

threshold参数表示检测一条直线所需最少的曲线交点。

lines参数表示储存着检测到的直线的参数对 (r,の)的容器。

srn参数、stn参数默认都为0。如果srn = 0且stn = 0，则使用经典的Hough变换。

min_theta参数表示对于标准和多尺度Hough变换，检查线条的最小角度。

max_theta参数表示对于标准和多尺度Hough变换，检查线条的最大角度。

– Python代码实现

注：

① 这个算法仅能检测比较简单的场景，如作文本格子这种，对复杂场景效果很差。。
② 调试可以通过调试Canny参数和HoughLines参数。

③ 该算法基本上能够检测出图中的直线，但是检测的结果并不是很好，有很多重复和漏检的情况。除此之外，该算法最大的缺点就是需要根据图片去调节参数，关键的参数是lines = cv2.HoughLines(edges,1,np.pi/180, 200) 中的200，该值设置的越大图片中检测出来的直线数量会越少，你需要根据你自己的测试场景进行调节。

# coding=utf-8
# 导入相应的python包
import cv2
import numpy as np'''
直线检测 - Hough_line直线检测算法
代码来源：https://blog.csdn.net/WZZ18191171661/article/details/101116949注： 
① 这个算法仅能检测比较简单的场景，如作文本格子这种，对复杂场景效果很差。。
② 调试可以通过调试Canny参数和HoughLines参数。
③ 该算法基本上能够检测出图中的直线，但是检测的结果并不是很好，有很多重复和漏检的情况。除此之外，该算法最大的缺点就是需要根据图片去调节参数，关键的参数是lines = cv2.HoughLines(edges,1,np.pi/180, 200) 中的200，该值设置的越大图片中检测出来的直线数量会越少，你需要根据你自己的测试场景进行调节。'''# 读取输入图片
img = cv2.imread('imgs/pi.png')
cv2.imshow("img", img)
# 将彩色图片灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用Canny边缘检测
edges = cv2.Canny(gray, 50, 200, apertureSize=3)
# 进行Hough_line直线检测
lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
print(lines)
# 遍历每一个r和theta
for i in range(len(lines)):r, theta = lines[i, 0, 0], lines[i, 0, 1]# 存储cos(theta)的值a = np.cos(theta)# 存储sin(theta)的值b = np.sin(theta)# 存储rcos(theta)的值x0 = a * r# 存储rsin(theta)的值y0 = b * r# 存储(rcos(theta)-1000sin(theta))的值x1 = int(x0 + 1000 * (-b))# 存储(rsin(theta)+1000cos(theta))的值y1 = int(y0 + 1000 * (a))# 存储(rcos(theta)+1000sin(theta))的值x2 = int(x0 - 1000 * (-b))# 存储(rsin(theta)-1000cos(theta))的值y2 = int(y0 - 1000 * (a))# 绘制直线结果cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
# 保存结果
# cv2.imwrite('test3_r.jpg', img)
cv2.imshow("result", img)
cv2.waitKey(0)

效果：
在这里插入图片描述

HoughP_line

HoughP_line是Hough_line算法的改进版，具有更快的速度和更好的效果。

– cv2.HoughLinesP函数

HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])

image参数表示边缘检测的输出图像，该图像为单通道8位二进制图像。

rho参数表示参数极径 r 以像素值为单位的分辨率，这里一般使用 1 像素。

theta参数表示参数极角の以弧度为单位的分辨率，这里使用 1度。

threshold参数表示检测一条直线所需最少的曲线交点。

lines参数表示储存着检测到的直线的参数的容器，也就是线段两个端点的坐标。

minLineLength参数表示能组成一条直线的最少点的数量，点数量不足的直线将被抛弃。

maxLineGap参数表示能被认为在一条直线上的亮点的最大距离。

– Python 代码

① 对于复杂场景，效果比Hough_line稍好，但好的有限
② 对某一特定场景，也是可以通过调试Canny和HoughLinesP的参数来达到更好的效果，主要是HoughLinesP

③ HoughLinesP不仅使用起来比较方便，基本上不需要进行调节参数；除此之外，该算法能够获得更好的直线检测效果。因此，当你想用Hough直线检测算法，建议你优先使用HoughP_line算法。

# coding=utf-8
# 导入相应的python包
import cv2
import numpy as np
'''
直线检测-HoughP_line，其是Hough_line的改进版
代码来源：https://blog.csdn.net/WZZ18191171661/article/details/101116949注：
对于复杂场景，效果比Hough_line稍好，但好的有限
对某一特定场景，也是可以通过调试Canny和HoughLinesP的参数来达到更好的效果，主要是HoughLinesP
'''# 读取输入图片
img = cv2.imread('imgs/image205.jpg')
cv2.imshow("img", img)
# 将彩色图片灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用Canny边缘检测 
edges = cv2.Canny(gray, 50, 200, apertureSize=3)
# 进行Hough_line直线检测
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 80, 30, 10)# 遍历每一条直线
for i in range(len(lines)):cv2.line(img, (lines[i, 0, 0], lines[i, 0, 1]), (lines[i, 0, 2], lines[i, 0, 3]), (0, 255, 0), 2)
# 保存结果
# cv2.imwrite('test3_r.jpg', img)
cv2.imshow("result", img)
cv2.waitKey(0)

结果：
在这里插入图片描述

LSD直线检测算法

LSD也是opencv中集成的一个直线检测算法，该算法的直线检测效果优于Hough算法，而且具有较好的检测速度，推荐使用。

– LSD算法简介

LSD快速直线检测算法是由Rafael Grompone、Jeremie Jackbowicz、Jean-Michel Morel于2010年发表在PAMI上的文献《LSD:a Line Segment Dectctor》中提出的，该算法时间复杂度较霍夫变换低。LSD算法通过对图像局部分析，得出直线的像素点集，再通过假设参数进行验证求解，将像素点集合与误差控制集合合并，进而自适应控制误检的数量 。 一般来说，要检测图像中的直线，最基本的思想是检测图像中梯度变化较大的像素点集，LSD算法也正是利用梯度信息和行列线（level-line）来进行直线检测的。

– Python代码

① createLineSegmentDetector在4.0版本过后就已经被删除了，若要使用，需要低版本的opencv

② 就是opencv4里删除了LSD，可以用FastLineDetector来代替，具体实现的话我记得官网api里有例子参考。OpenCV: cv::ximgproc::FastLineDetector Class Reference

③ 若要使用LSD，可以用pylsd – pip install pylsd – LSD-OpenCV-MATLAB/pylsd at master · primetang/LSD-OpenCV-MATLAB · GitHub

④ 需要说明的是原opencv中的LSD算法具有3中不同的模式，具体的模式如下图所示，默认情况下使用模式2（即1），但是经过测试我发现模式1（即0）通常输出的效果会更好一些，具体的情况需要你根据你的场景进行分析。

# coding=utf-8
import cv2
import numpy as np# 读取输入图片
img0 = cv2.imread("imgs/image9.jpg")
# 将彩色图片转换为灰度图片
img = cv2.cvtColor(img0,cv2.COLOR_BGR2GRAY)# 创建一个LSD对象
## createLineSegmentDetector在4.0版本过后就已经被删除了，若要使用，需要低版本的opencv
## 如：pip install opencv-python==3.1.0.5
lsd = cv2.createLineSegmentDetector(0)
# 执行检测结果
dlines = lsd.detect(img)
# 绘制检测结果
for dline in dlines[0]:x0 = int(round(dline[0][0]))y0 = int(round(dline[0][1]))x1 = int(round(dline[0][2]))y1 = int(round(dline[0][3]))cv2.line(img0, (x0, y0), (x1,y1), (0,255,0), 1, cv2.LINE_AA)# 显示并保存结果
# cv2.imwrite('test3_r.jpg', img0)
cv2.imshow("LSD", img0)
cv2.waitKey(0)
cv2.destroyAllWindows()

– pylsd使用代码

import cv2
import numpy as np
import os
# from pylsd import lsd
from pylsd.lsd import lsd
fullName = 'imgs/image9.jpg'
folder, imgName = os.path.split(fullName)
src = cv2.imread(fullName, cv2.IMREAD_COLOR)
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
lines = lsd(gray)
for i in range(lines.shape[0]):pt1 = (int(lines[i, 0]), int(lines[i, 1]))pt2 = (int(lines[i, 2]), int(lines[i, 3]))width = lines[i, 4]cv2.line(src, pt1, pt2, (0, 0, 255), int(np.ceil(width / 2)))
cv2.imwrite(os.path.join(folder, 'cv2_' + imgName.split('.')[0] + '.jpg'), src)

– lsdCPP实现

LSD-OpenCV-MATLAB/pylsd/source at master · primetang/LSD-OpenCV-MATLAB · GitHub

FLD直线检测算法

– FLD算法简介

FLD直线检测算法是在该论文中被引入的，该论文中尝试着使用直线特征来代替原始的SURF点特征进行建筑物识别。与点特征进行相比，线特征具有更容易发现和更好的鲁棒性，线特征基本上不会受到光照、遮挡、视角变化的影响。线特征比点特征更好一些。

– Python代码

# coding=utf-8
import cv2
import numpy as np
'''
直线检测 - FLD直线检测
基本上可以检测出图中所有的直线，和LSD的性能类似，比hough系列效果好多了
'''# 读取输入图片
img0 = cv2.imread("imgs/image9.jpg")
cv2.imshow("img", img0)
# 将彩色图片转换为灰度图片
img = cv2.cvtColor(img0,cv2.COLOR_BGR2GRAY)# 创建一个LSD对象
fld = cv2.ximgproc.createFastLineDetector()
# 执行检测结果
dlines = fld.detect(img)
# 绘制检测结果
# drawn_img = fld.drawSegments(img0,dlines, )
for dline in dlines:x0 = int(round(dline[0][0]))y0 = int(round(dline[0][1]))x1 = int(round(dline[0][2]))y1 = int(round(dline[0][3]))cv2.line(img0, (x0, y0), (x1,y1), (0,255,0), 1, cv2.LINE_AA)# 显示并保存结果
#cv2.imwrite('test3_r.jpg', img0)
cv2.imshow("FLD", img0)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：
在这里插入图片描述

— 运行报错 - no attribute ‘ximgproc’

Traceback (most recent call last):File "/d/pyProjects/tests000/test3.py", line 11, in <module>fld = cv2.ximgproc.createFastLineDetector()
AttributeError: module 'cv2.cv2' has no attribute 'ximgproc'

原因：就是CV2的库冲突了，安装了多个，只需要这么操作就可以了.

解决1(成功):

pip uninstall opencv-contrib-python opencv-python
pip install opencv-contrib-python==4.1.2.30 -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

EDlines直线检测算法

– EDlines算法简介

EDlines直线检测算法是在《EDLines: A Real-time Line Segment Detector with a False Detection Control》中提出的。本文提出了一个快速、无参数的线段检测器，命名为EDLines (Akinlar and Topal, 2011)，它产生强大的和准确的结果，比最快的已知线段检测器速度更快，达到11倍；换句话说，the LSD by Grompone von Gioi et al. (2008a,b, 2010). 我们的探测器还包括一个线的验证步骤定于亥姆霍兹原理Helmholtz principle (Desolneux et al., 2008)，这让它控制错误检测的数量。**EDLines得到的结果，我们看到的是，LSD非常相似，有所有主要的线段检测，并有极少数误报。此外， EDLines运行实时以炫目的速度为9.45毫秒，约10倍的速度比LSD对给定的图像。**

– EDlines算法实现步骤

步骤1-首先，给定一个灰度图像，运行新的边缘检测、边缘绘制（ED）算法，产生一套干净的，像素相邻的链，我们称之为边缘。边缘线段直观地反应对象的边界。
步骤2-然后，利用直线度准则，即最小二乘直线拟合法，从生成的像素链中提取线段。
步骤3-最后，线的验证步骤定于亥姆霍兹原理Helmholtz principle (Desolneux et al., 2008; Grompone von Gioi et al.,2008a)是用来消除虚假线段的检测。

– C++代码

https://github.com/mtamburrano/LBD_Descriptor

下面是基于上面的版本做的一点应用：

https://github.com/XuefengBUPT/LBD_and_LineMatching

1）该算法能获得和LSD类似的检测结果；2）该算法抑制了一部分小的误检的直线；3）该算法具有更快的运行速度，是LSD的10倍左右。

待测试

LSWMS直线检测算法

– LSWMS算法简介

LSWMS是一个直线检测算法。本文介绍了一种精确且实时的直线检测方法。以前的直线检测方法都没有使用到图像场景的先验知识，因而不需要对输入的参数进行微调。该算法在检测精度和检测速度之间进行了折中，文中使用了一个高效的采样方法来进行加速处理，然后，文中使用一种快速的直线增长算法基于bresenham算法用改进的mean-shift算法提供精确的线段，同时保持稳健对抗噪音。测试了该策略的性能对于各种各样的图像，将其结果与流行的最新线段检测方法。结果表明，我们的建议优于这些工作同时考虑了结果和处理速度。

– C++ 代码

GitHub - marcosnietodoncel/lswms: Line Segment Weighted Mean-Shift

待测试

CannyLines直线检测算法

– CannyLines算法简介

CannyLines算法在《》中被提出。本文提出了一种鲁棒的线段检测算法，有效地检测出输入图像中的线段。首先，提出了一种无参数canny算子cannypf，通过自适应地设置传统canny算子的低阈值和高阈值，从输入图像中稳健地提取边缘映射。其次，提出了直接从边缘地图中提取共线点簇的有效像素连接和分割技术，并基于最小二乘法对初始线段进行拟合。第三，通过有效的扩展和合并，生成更长、更完整的线段。最后，根据helmholtz原理对检测到的所有线段进行了验证，该原理同时考虑了梯度方向和幅度信息。在一组有代表性的图像上的实验结果表明，与常用的两种线段检测器lsd和edline相比，我们提出的cannyline线段检测器能够提取出更有意义的线段，特别是在人造场景中。

– Python代码

GitHub - Gofinge/PyCannyLine: CannyLine Python Version

– C++ 代码

GitHub - Gofinge/cannyline-pybind: The repo is modified from the source code of CannyLine. It provides support for pybind to make it available for python.

MCMLSD直线检测算法

– MCMLSD算法简介

MCMLSD算法出自于该论文。论文中提出了一个融合两者优点的概率算法。在第一阶段，使用全局概率hough方法。在第二阶段，在图像域中分析每个检测到的行，以定位在霍夫图中生成峰值的线段。通过将搜索限制在一条直线上，线段的分布线上的点序列可以被建模为马尔可夫链和概率最优标签使用标准动态规划算法精确计算，在线性时间内。马尔可夫假设同时也产生了一种直观的排名方法，它使用估计期望值的边际后验概率线段上正确标记的点的数目。评估由此产生的马尔可夫链边缘线段检测器（mcmlsd）我们开发并应用了一种新的定量方法控制分段不足和分段过量的评估方法。在YorkUrbanDB数据集的评价结果表明，所提出的MCMLSD方法优于以相当大的优势达到最先进水平。

– C++代码

https://github.com/Raitoning/MCMLSD-CPP/tree/develop/src

待测试

LSM直线检测算法

– LSM算法简介

LSM算法不仅仅是一个直线检测算法，同时也是一个直线合并算法。论文中提出了一种合并这些断开的线段的算法，以恢复原始的感知准确的线段。该算法根据角度和空间接近度对线段进行分组。然后将每组中满足新的自适应合并准则的线段对依次合并成一条线段。重复此过程，直到不再合并行段。我们还提出了一种定量比较线段检测算法的方法。在york-urban数据集上的结果表明，与最新的线段检测算法相比，我们的合并线段更接近人类标记的地面真线段。