使用霍夫变换检测矩形角点时坐标显示异常，请求排查问题

核心错误分析 #

你的代码存在4个关键问题，直接导致角点检测异常：

1. 直线方程转换错误
   霍夫变换的直线公式为 x·cosθ + y·sinθ = dist，你错误地将斜率计算为np.tan(angle)，正确斜率应为 -np.cos(angle)/np.sin(angle)（sinθ≠0时）。用tanθ会完全颠倒直线的倾斜方向，导致直线模型彻底错误。

2. 坐标映射完全颠倒
   你将求解得到的交点(x,y)存储为(y, -x)，这不仅颠倒了x/y轴对应关系，还引入了不必要的负号，直接让绘制的角点偏离真实位置。

3. 未处理垂直直线的数值异常
   当θ接近±π/2时，sinθ趋近于0，用y=kx+b形式计算会产生无穷大斜率，导致NaN或异常值，无法正确表示垂直直线。

4. 未过滤冗余直线
   hough_line_peaks可能检测到多条近似平行的噪声直线，直接两两求交会生成大量无效交点，而非矩形的4个角点。

修正后的完整代码 #

import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.transform import hough_line, hough_line_peaks

# 图像预处理
image = cv2.imread('/rect_pics/5.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # cv2.imread默认是BGR格式，修正转换参数
gray = cv2.GaussianBlur(gray, (3, 3), 0)
cv2.imwrite("gray.png", gray)

edged = cv2.Canny(gray, 50, 150)  # 调整Canny阈值，减少噪声边缘
cv2.imwrite("edged.png", edged)

# 霍夫变换
using_angles = np.linspace(-np.pi / 2, np.pi / 2, 1800)
halfspace, theta, dist = hough_line(edged, using_angles)

# 霍夫累加器可视化
plt.figure(figsize=(15, 10))
plt.title('Hough Accumulator', size=30)
plt.imshow(halfspace, cmap='gray')
plt.savefig('accumulator.png')

# 结果可视化
fig, axes = plt.subplots(1, 2, figsize=(20, 8))
ax = axes.ravel()

ax[0].imshow(edged, cmap='gray')
ax[0].set_title('Edged rectangle', size=30)
ax[0].set_axis_off()

ax[1].imshow(edged, cmap='gray')
origin = np.array((0, edged.shape[1]))
lines = []

# 直接存储霍夫直线的(theta, dist)参数，避免转换误差
for _, angle, dist_val in zip(*hough_line_peaks(halfspace, theta, dist)):
    y0, y1 = (dist_val - origin * np.cos(angle)) / np.sin(angle)
    ax[1].plot(origin, (y0, y1), '-r')
    lines.append((angle, dist_val))
    print(f"Angle: {np.degrees(angle):.2f}°, Dist: {dist_val:.2f}")

# 过滤近似平行的冗余直线，保留矩形的4条有效边
angle_tolerance = np.deg2rad(1)  # 1度的角度公差
clustered_lines = []
used_indices = set()

for i in range(len(lines)):
    if i in used_indices:
        continue
    current_angle = lines[i][0]
    cluster = [lines[i]]
    used_indices.add(i)
    # 收集所有近似平行的直线
    for j in range(i+1, len(lines)):
        if abs(lines[j][0] - current_angle) < angle_tolerance:
            cluster.append(lines[j])
            used_indices.add(j)
    # 取聚类中距离的中位数作为代表直线
    cluster_dists = [d for _, d in cluster]
    median_dist = np.median(cluster_dists)
    clustered_lines.append((current_angle, median_dist))

# 确保只保留4条有效直线（可根据实际情况调整）
if len(clustered_lines) > 4:
    clustered_lines = clustered_lines[:4]

# 正确计算两条霍夫直线的交点
def hough_line_intersection(angle1, dist1, angle2, dist2):
    # 直线方程：x*cosθ + y*sinθ = dist
    A = np.array([
        [np.cos(angle1), np.sin(angle1)],
        [np.cos(angle2), np.sin(angle2)]
    ])
    b = np.array([dist1, dist2])
    try:
        x, y = np.linalg.solve(A, b)
        return x, y
    except np.linalg.LinAlgError:
        # 平行直线，无有效交点
        return None, None

inter = []
for i in range(len(clustered_lines)):
    for j in range(i+1, len(clustered_lines)):
        angle1, dist1 = clustered_lines[i]
        angle2, dist2 = clustered_lines[j]
        # 跳过平行直线
        if abs(angle1 - angle2) < angle_tolerance:
            continue
        x, y = hough_line_intersection(angle1, dist1, angle2, dist2)
        # 只保留图像范围内的有效交点
        if x is not None and 0 <= x < edged.shape[1] and 0 <= y < edged.shape[0]:
            inter.append((x, y))
            print(f"Valid intersection: ({x:.2f}, {y:.2f})")

# 正确绘制角点
ax[1].scatter([p[0] for p in inter], [p[1] for p in inter], color='b', s=100, marker='o')
ax[1].set_xlim(0, edged.shape[1])
ax[1].set_ylim(edged.shape[0], 0)
ax[1].set_title('Detected rectangle', size=30)
plt.savefig('detection.png')
plt.show()

关键修正说明 #

1. 保留原始霍夫参数：直接用(theta, dist)存储直线，避免转换为y=kx+b时的数值不稳定问题，用标准直线方程求解交点更准确。
2. 直线聚类过滤：通过角度公差筛选出4条有效直线（矩形的两组对边），去除噪声导致的冗余直线。
3. 交点范围校验：只保留图像边界内的交点，排除无穷远处的无效点。
4. 坐标映射修正：直接使用求解得到的(x,y)绘制角点，不再做错误的轴反转和取负操作。
5. 预处理优化：调整Canny阈值减少噪声，修正BGR转灰度的参数（cv2.imread默认是BGR格式）。

内容的提问来源于stack exchange，提问作者edit edit