如何合并或去除边缘图中霍夫变换检测出的重复线条？

方案一：基于角度和距离的阈值手动去重 #

重复线条的核心特征是角度（theta）和距离（rho）的数值非常接近，可以通过设定合理阈值筛选出唯一线条：

1. 设定角度差阈值（比如转成弧度后小于0.02弧度≈1.15度）和距离差阈值（比如小于10像素，根据图像尺寸调整）
2. 遍历检测到的线条，只保留与已保留线条差异超过阈值的新线条

示例代码：

import numpy as np

# 假设已得到angles2, distances2
filtered_angles = []
filtered_distances = []

# 设定阈值（根据实际情况调整）
theta_threshold = 0.02  # 弧度，对应约1.15度
rho_threshold = 10      # 像素

for theta, rho in zip(angles2, distances2):
    # 检查是否与已保留的线条重复
    is_duplicate = False
    for saved_theta, saved_rho in zip(filtered_angles, filtered_distances):
        if abs(theta - saved_theta) < theta_threshold and abs(rho - saved_rho) < rho_threshold:
            is_duplicate = True
            break
    if not is_duplicate:
        filtered_angles.append(theta)
        filtered_distances.append(rho)

# 绘制去重后的线条
plt.imshow(img, "gray")
x = np.linspace(0, img_sliced.shape[1], 50000)
for i, (rho, theta) in enumerate(zip(filtered_distances, filtered_angles)):
    plt.plot(x, line(x, rho, theta), label=f'line :{i}')
plt.xlim((0, img_sliced.shape[1]))
plt.ylim((img_sliced.shape[0], 0))
plt.legend()
plt.show()

方案二：用KMeans聚类自动合并相似线条 #

你提到的KMeans完全适用，把角度和距离作为特征维度，聚类后每个簇取中心值作为代表线条，自动合并重复项：

from sklearn.cluster import KMeans

# 将角度和距离组合成特征矩阵
features = np.column_stack((angles2, distances2))

# 设定聚类数（可以先预估，比如你原本要13条，实际可能更少，也可以用肘部法则确定）
k = 8  # 示例值，根据实际情况调整
kmeans = KMeans(n_clusters=k, random_state=42)
kmeans.fit(features)

# 获取每个簇的中心，作为去重后的线条参数
cluster_centers = kmeans.cluster_centers_
clustered_angles = cluster_centers[:, 0]
clustered_distances = cluster_centers[:, 1]

# 绘制聚类后的线条
plt.imshow(img, "gray")
x = np.linspace(0, img_sliced.shape[1], 50000)
for i, (rho, theta) in enumerate(zip(clustered_distances, clustered_angles)):
    plt.plot(x, line(x, rho, theta), label=f'line :{i}')
plt.xlim((0, img_sliced.shape[1]))
plt.ylim((img_sliced.shape[0], 0))
plt.legend()
plt.show()

方案三：调整霍夫变换参数从源头减少重复 #

重复线条很多时候是因为边缘噪声或霍夫参数太宽松：

• 提高hough_line_peaks的threshold值（比如从3调到10），只保留累积值更高的显著线条
• 适当减小num_peaks，避免检测过多冗余线条
• 调整Canny边缘检测的高低阈值（比如canny(img, 50, 150)），过滤掉细碎噪声边缘，减少霍夫变换的无效输入

内容的提问来源于stack exchange，提问作者Rastaw