在机器视觉开发中，直线检测是一项非常基础且重要的图像处理技术，广泛应用于工业检测、车道线识别、PCB 检测、钢板边缘检测、工件定位等场景。

OpenCV 提供了霍夫直线变换（Hough Line Transform），能够快速从边缘图像中提取直线信息。本文将介绍霍夫直线检测的基本原理、参数说明，并结合完整的 Python 示例帮助大家快速上手。

---

一、什么是霍夫直线检测？

霍夫变换（Hough Transform）是一种经典的特征检测算法，用于检测图像中的几何图形，如直线、圆等。

对于一条直线，我们通常使用斜率截距式表示：
$$y=kx+b$$

但是当直线接近垂直时，斜率会趋于无穷大，因此霍夫变换采用极坐标表示：
$$\rho =x\cos \theta +y\sin \theta$$
其中：

• ρ（rho）：直线到坐标原点的距离
• θ（theta）：直线法向量与 x 轴之间的夹角

图像中的每一个边缘点都会在参数空间中进行投票，当某组 (ρ, θ) 的票数足够多时，就认为检测到了一条直线。

---

二、霍夫直线检测流程

整个检测过程通常如下：

读取图像
    │
    ▼
灰度化
    │
    ▼
高斯滤波（可选）
    │
    ▼
Canny边缘检测
    │
    ▼
霍夫直线检测
    │
    ▼
绘制检测结果

霍夫变换并不是直接作用于原始图像，而是作用于边缘图像，因此通常都会先进行 Canny 边缘检测。

---

三、OpenCV 霍夫直线检测函数

OpenCV 提供了两种直线检测方式：

1、标准霍夫变换

lines = cv2.HoughLines(
    image,
    rho,
    theta,
    threshold
)

返回的是无限延长的直线。

---

2、概率霍夫变换（推荐）

lines = cv2.HoughLinesP(
    image,
    rho,
    theta,
    threshold,
    minLineLength,
    maxLineGap
)

返回的是线段的两个端点，更符合工业视觉的实际需求，因此实际项目中使用最多。

---

四、参数详解

1、rho

距离分辨率。

通常设置：

rho = 1

表示距离精度为 1 个像素。

---

2、theta

角度分辨率。

一般写成：

theta = np.pi / 180

表示每 1° 检测一次。

如果需要更高精度，可以设置：

theta = np.pi / 360

即每 0.5° 检测一次。

---

3、threshold

投票阈值。

例如：

threshold = 80

表示：

只有累计票数超过 80 才认为是一条直线。

数值越小：

• 检测更多直线
• 容易误检

数值越大：

• 检测更严格
• 容易漏检

---

4、minLineLength

最小线段长度。

例如：

minLineLength = 100

表示：

长度不足 100 像素的线段直接过滤。

工业视觉中通常都会设置该参数。

---

5、maxLineGap

允许断裂距离。

例如：

maxLineGap = 10

表示：

两段线之间如果相距不足 10 个像素，则自动连接为一条完整直线。

对于边缘存在断裂的图像非常有用。

---

五、基础示例

下面演示标准的霍夫直线检测流程。

import cv2
import numpy as np

# 读取图片
img = cv2.imread("line.png")

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Canny边缘检测
edges = cv2.Canny(gray, 50, 150)

# 霍夫直线检测
lines = cv2.HoughLinesP(
    edges,
    rho=1,
    theta=np.pi / 180,
    threshold=80,
    minLineLength=50,
    maxLineGap=10
)

# 绘制结果
if lines is not None:

    for line in lines:

        x1, y1, x2, y2 = line[0]

        cv2.line(
            img,
            (x1, y1),
            (x2, y2),
            (0, 255, 0),
            2
        )

cv2.imshow("Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后即可在原图上看到检测出的直线。

---

六、计算直线长度

霍夫变换返回的是两个端点，因此可以直接计算线段长度。

length = np.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2)

print(length)

这在工业检测中十分常见，例如：

• 裂纹长度
• 边缘长度
• 焊缝长度

---

七、计算直线角度

直线角度可通过反正切计算。

angle = np.degrees(
    np.arctan2(
        y2 - y1,
        x2 - x1
    )
)

print(angle)

返回值范围：

[-180°,180°]

通常工业视觉会转换为：

0~180°

方便进行角度判定。

---

八、实际案例：检测工件边缘

工业检测中，可以结合 Canny 与霍夫变换快速提取工件边缘。

import cv2
import numpy as np

img = cv2.imread("part.png")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

gray = cv2.GaussianBlur(gray, (5,5), 0)

edges = cv2.Canny(gray, 80, 150)

lines = cv2.HoughLinesP(
    edges,
    1,
    np.pi/180,
    threshold=60,
    minLineLength=120,
    maxLineGap=15
)

if lines is not None:

    for line in lines:

        x1,y1,x2,y2 = line[0]

        cv2.line(
            img,
            (x1,y1),
            (x2,y2),
            (0,255,0),
            2
        )

cv2.imshow("Edge Detection",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

实际项目中，通常会先进行 ROI 裁剪，再执行霍夫直线检测，以提高检测速度和稳定性。

---

九、工业视觉中的应用

霍夫直线检测在工业领域应用十分广泛，例如：

• PCB 板边缘检测
• 钢板定位
• 工件姿态校正
• 刀具角度测量
• 焊缝检测
• 激光条纹检测
• 产品边缘定位
• 车道线识别

通常不会单独使用，而是结合滤波、阈值分割、形态学处理等预处理算法共同完成检测任务。

---

十、霍夫直线检测优缺点

优点：

• 算法成熟，OpenCV 内置实现。
• 检测速度快，适合实时应用。
• 能同时检测多条直线。
• 对一定程度的噪声具有较好的鲁棒性。

缺点：

• 对边缘质量依赖较高。
• 参数需要根据实际场景调整。
• 对复杂背景容易产生误检。
• 曲线或不规则边缘无法直接检测。

---

十一、总结

霍夫直线检测是 OpenCV 中最经典的几何特征检测算法之一，也是机器视觉开发中的基础工具。实际工程中，一般采用 Canny 边缘检测 + 概率霍夫变换（HoughLinesP） 的组合方案，并结合 ROI、滤波和形态学处理，提高检测精度和运行效率。

对于工业视觉项目，霍夫直线检测不仅可以完成目标定位，还能够进一步计算直线长度、角度和位置，为尺寸测量、姿态校正和缺陷检测等后续任务提供可靠的数据支持。