使用Hough变换的线检测

在这个例子中，我们将研究使用Haar变换检测图像中的线条的可能性。

首先，我们将连接在这项工作过程中需要的所有库。

Pkg.add(["ImageCore", "ColorVectorSpace", "ImageDraw", "Clustering", "ImageMorphology", "ImageFeatures"])

using ImageFeatures, FileIO, ImageDraw, ColorVectorSpace
using ImageCore, Clustering, ImageMorphology
gr()

现在让我们上传中间有一条白线的图像。
在这个例子中，我们将看到两种加载方法。:

通过URL链接,
从Engee文件管理器。

# Скачать изображения из интернета
file = download("https://grizly.club/uploads/posts/2023-08/1691448777_grizly-club-p-kartinki-belaya-poloska-bez-fona-31.jpg")
img = FileIO.load(file)
# Подгрузить изображения из файлов Engee
#img = load( "$(@__DIR__)/line.jpg" )

图像加载到变量后，我们将其转换为二进制格式。

img_g = Gray.(img)
thresh = otsu_threshold(img_g)
tf = img_g .> thresh;

现在让我们细化二进制矩阵以找到明显的线条。

t = thinning(tf)
heatmap(t)

接下来，使用Haar变换，我们计算所需线所在的帘线。

rθ = hough_transform_standard(t, stepsize = 3, vote_threshold = 500, max_linecount = 100, angles = range(0, pi, length = 10000))
R = kmeans(Matrix(hcat(vcat.(rθ...)...)'),3) 
m = Tuple.(eachcol(R.centers))

3-element Vector{Tuple{Float64, Float64}}:
 (-451.5, 3.141278462905366)
 (454.5, 0.0)
 (-448.5, 3.1375081746922366)

现在我们将在原始图像上复盖找到的线并将其标记为红色。

img = RGB.(tf);
for (r, θ) in m
    draw!(img, LineNormal(r, θ), RGB{N0f8}(1, 0, 0))
end
img

正如我们在上图中看到的，我们的原始图像和找到的线在位置和方向上匹配。

结论

在这个例子中，我们已经想出了如何应用Haar变换来检测图像中的对象。此功能可以正常工作，并且可以在您的项目中使用。