hough变化算法

‘壹’ 怎样用hough变换求出直线长度

BOOL Hough(HWND hWnd){
//定义一个自己的直线结构
typedef struct{
int topx; //最高点的x坐标
int topy; //最高点的y坐标
int botx; //最低点的x坐标
int boty; //最低点的y坐标
}MYLINE;

DWORD BufSize;
LPBITMAPINFOHEADER lpImgData;
LPSTR lpPtr;
HDC hDc;
LONG x,y;
long i,maxd;
int k;
int Dist,Alpha;
HGLOBAL hDistAlpha,hMyLine;
int *lpDistAlpha;
MYLINE *lpMyLine,*TempLine,MaxdLine;
static LOGPEN rlp={PS_SOLID,1,1,RGB(255,0,0)};
HPEN rhp;
//我们处理的实际上是256级灰度图，不过只用到了0和255两种颜色。
if( NumColors!=256){
MessageBox(hWnd,"Must be a mono bitmap with grayscale palette!",
"Error Message",MB_OK|MB_ICONEXCLAMATION);
return FALSE;
}
//计算最大距离
Dist=(int)(sqrt( (double)bi.biWidth*bi.biWidth+
(double)bi.biHeight*bi.biHeight)+0.5)
;
Alpha=180 /2 ; //0 到 to 178 度，步长为2度
//为距离角度数组分配内存
if((hDistAlpha=GlobalAlloc(GHND,(DWORD)Dist* Alpha * sizeof(int)))==NULL){
MessageBox(hWnd,"Error alloc memory!","Error Message",MB_OK|
MB_ICONEXCLAMATION);
return FALSE;
}
//为记录直线端点的数组分配内存
if((hMyLine=GlobalAlloc(GHND,(DWORD)Dist*Alpha*sizeof(MYLINE)))==NULL){
GlobalFree(hDistAlpha);
return FALSE;
}
//原图缓冲区的大小
BufSize=bf.bfSize-sizeof(BITMAPFILEHEADER);
lpImgData=(LPBITMAPINFOHEADER)GlobalLock(hImgData);
lpDistAlpha=(int *)GlobalLock(hDistAlpha);
lpMyLine=(MYLINE *)GlobalLock(hMyLine);

for (i=0;i<(long)Dist*Alpha;i++){
TempLine=(MYLINE*)(lpMyLine+i);
(*TempLine).boty=32767; //初始化最低点的y坐标为一个很大的值
}

for (y=0;y<bi.biHeight;y++){
//lpPtr指向位图数据
lpPtr=(char *)lpImgData+(BufSize-LineBytes-y*LineBytes);
for (x=0;x<bi.biWidth;x++)
if(*(lpPtr++)==0) //是个黑点
for (k=0;k<180;k+=2){
//计算距离i

i=(long)fabs((x*cos(k*PI/180.0)+y*sin(k*PI/180.0)
));
//相应的数组元素加1

*(lpDistAlpha+i*Alpha+k/2)=*(lpDistAlpha+i*Alpha+k/2)+1;

TempLine=(MYLINE*)(lpMyLine+i*Alpha+k/2);
if(y> (*TempLine).topy){
//记录该直线最高点的x,y坐标
(*TempLine).topx=x;
(*TempLine).topy=y;
}
if(y< (*TempLine).boty){
//记录该直线最低点的x,y坐标
(*TempLine).botx=x;
(*TempLine).boty=y;
}
}
}

maxd=0;
for (i=0;i<(long)Dist*Alpha;i++){
TempLine=(MYLINE*)(lpMyLine+i);
k=*(lpDistAlpha+i);
if( k > maxd){
//找到数组元素中最大的，及相应的直线端点
maxd=k;
MaxdLine.topx=(*TempLine).topx;
MaxdLine.topy=(*TempLine).topy;
MaxdLine.botx=(*TempLine).botx;
MaxdLine.boty=(*TempLine).boty;
}
}
hDc = GetDC(hWnd);
rhp = CreatePenIndirect(&rlp);
SelectObject(hDc,rhp);
MoveToEx(hDc,MaxdLine.botx,MaxdLine.boty,NULL);
//在两端点之间画一条红线用来标识
LineTo(hDc,MaxdLine.topx,MaxdLine.topy);
DeleteObject(rhp);
ReleaseDC(hWnd,hDc);
//释放内存及资源
GlobalUnlock(hImgData);
GlobalUnlock(hDistAlpha);
GlobalFree(hDistAlpha);
GlobalUnlock(hMyLine);
GlobalFree(hMyLine);
return TRUE;
}
如果θ是给定的，用上述方法，我们可以找到该方向上最长的直线。

‘贰’ 为什么hough变换能够检测形状

hough
求助编辑网络名片国内外对Hough变换的研究及应用动态：Hough变换于1962年由Paul Hough提出，并在美国作为专利被发表。它所实现的是一种从图像空间到参数空间的映射关系。由于具有一些明显优点和可贵性质，它引起了许多国内外学者和工程技术人员的普遍关注。例如，由于其根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况，它具有很好的容错性和鲁棒性。多年来，专家们对Hough变换的理论性质和应用方法进行了深入而广泛的研究, 并取得了许多有价值的成果。

查看精彩图册
目录

原理
改进方法
应用领域 生物医学
自动化、机器人视觉
空间技术、军事防御
办公自动化
不足之处
翻译
展开 原理
改进方法
应用领域 生物医学
自动化、机器人视觉
空间技术、军事防御
办公自动化
不足之处
翻译
展开 编辑本段原理 被遮挡的柑橘图像经hough变换补偿画圆
Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。在参数空间不超过二维的情况下，这种变换有着理想的效果。编辑本段改进方法Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。在参数空间不超过二维的情况下， 这种变换有着理想的效果。但是，一旦参数空间增大，计算量便会急剧上升，同时耗费巨大的存储空间，耗时也随之猛增。就此，多年来国内外众多学者针对具体情况对常规Hough变换进行了多方面的探索，并提出了许多有价值的改进方法。 1）扩展应用范围，提出多种参数化的方法 在早期的研究中，Hough变换由只检测图像中的直线扩展到检测圆弧、二次曲线和任意曲线构成的形状；线条的参数化方法也由最初的截距型参数发展到斜率倾角和截距型参数、双Hough空间型参数、以及检测圆的圆心坐标、半径型参数和检测物体复杂形状的基于模板的多维关键点参数等。 2）提高实时性，提出多种减少计算量的方法 针对Hough变换计算量大的不足，相继提出了四分树结构的Hough变换、以梯度信息为引导的Hough变换、分层Hough变换、自适应Hough变换、快速自适应Hough变换、随机Hough变换（RHT）等；对于高维Hough变换采用降维处理，数据结构多采用动态量化空间等。 3）增强抗干扰能力，提高检测精度 Hough变换提取精度问题始终受到普遍关注，例如Hough变换的离散化误差、混叠干扰、抗噪声干扰性能等。就此类问题的研究例如，Kiryati、Buckstein提出采用最佳Kaider窗函数对参数域进行平滑滤波以减少混叠误差；Hunt、Nolte等人应用信号检测理论对Hough变换的抗干扰性能和基于最大后验概率的最佳算法进行了抗干扰性能比较，并指出了影响Hough变换抗干扰性能的原因。 4）多种峰值检测方法 Hough变换中参数空间的峰值检测是一个聚类检测问题，阈值的选取是成功与否的关键所在。其中，一种方法是对图像空间进行加权，以改变参数空间的峰值分布；一种方法是直接对参数空间进行极大值的搜索。编辑本段应用领域理论与实践向来是形影不离，相辅相成，Hough变换之所以有如此长足的发展，主要原因还是在于实践应用上的广泛需求；而在实践中所暴露出的不足又进而促进了它的发展，循环往复，就如同生命的演化。现枚举其主要应用领域如下：
生物医学
Hough变换已被成功应用于基于人工智能的专家诊断系统；X射线人体照片和CT图像的处理和判读；光学显微镜和电子显微镜中的细胞核自动分析系统；从超声波诊断中提取三维动脉特征，等等。
自动化、机器人视觉
Hough变换已被用于产品部件的自动监视、缺陷诊断、生产过程的自动监控、计算机辅助制造（CAM）等。例如基于Hough变换的机械零件检测和定位系统；基于Hough变换采用直线、圆弧等作为基本特征的工业产品检查系统。
空间技术、军事防御
Hough变换已被用于运动目标轨迹的检测与识别，高空侦察机、间谍卫星和军事雷达等目标自动识别系统的特征提取。例如应用Hough变换对战斗机的外形特征进行提取和自动识别；应用Hough变换辅以信号检测理论解决并行多运动目标的跟踪问题。
办公自动化
Hough变换在许多应用系统中得到了很好的应用。例如采用Hough变换进行英文字符特征提取并自动识别，其对印刷体字符识别率为99.6%，对手写体字符的平均识别率也达到了86.9%，并已成功应用于邮政信件的自动分拣、文件处理等。 由以上分析可见，Hough变换有着广泛的关注程度以及良好的应用前景。在计算机视觉和自动目标识别系统中，Hough变换是一个用于边缘线条特征提取的强有力工具。编辑本段不足之处本课题的研究内容，如上所述，常规Hough变换虽然具有显着的优势，但其不足也不容忽视，如不加改进，有时将会令人无所适从，例如检测速度太慢，无法做到实时控制；精度不够高，期望的信息检测不到反而做出错误判断，进而产生大量的冗余数据。就圆检测而言，常规Hough变换的不足主要有以下几点： 1、参数由直线的两个参数，即截距和斜率，上升到三个，即圆心坐标和半径，每个点映射成参数空间的一个曲面，是一到多映射，因而计算量急剧增大； 2、需占用大量内存空间，耗时久、实时性差； 3、现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规Hough变换的性能将急剧下降，进行参数空间极大值的搜索时由于合适的阈值难以确定，往往出现“虚峰”和“漏检”的问题。 本课题针对以上问题展开。由于前人已做出相当的努力，时下，Hough变换的改进算法门类众多，在此仅选择一种相对主流的改进方向，即随机Hough变换（RHT）加以深入研究，并与常规Hough变换相对比，进而分析它的性能特点。尽管RHT也存在明显的缺陷，针对它也有许多改进算法，但由于时间精力有限，暂时无法得到最完美的效果，但是在检测的圆比较少、边缘提取效果比较好的情况下，该算法还是非常有效的。

‘叁’ c# 中关于角度计算的hough算法

/// <summary>
/// 检测直线
/// </summary>
/// <param name="cross_num">hough变换后的曲线交点个数，取值越大，找出的直线越少</param>
public Bitmap hough_line(Bitmap bmpobj, int cross_num)
{
int x = bmpobj.Width;
int y = bmpobj.Height;
int rho_max = (int)Math.Floor(Math.Sqrt(x*x+y*y))+1; //由原图数组坐标算出ρ最大值，并取整数部分加1
//此值作为ρ，θ坐标系ρ最大值
int[,] accarray = new int[rho_max,180]; //定义ρ，θ坐标系的数组，初值为0。
//θ的最大值，180度

double[] Theta = new double[180];
//定义θ数组，确定θ取值范围
double i = 0;
for (int index = 0; index < 180; index++)
{
Theta[index] = i;
i += Math.PI/180;
}

double rho;
int rho_int;
for (int n = 0; n < x; n++)
{
for (int m = 0; m < y; m++)
{
Color pixel = bmpobj.GetPixel(n, m);
if (pixel.R == 0)
{
for (int k = 0; k < 180; k++)
{
//将θ值代入hough变换方程，求ρ值
rho = (m * Math.Cos(Theta[k])) + (n * Math.Sin(Theta[k]));
//将ρ值与ρ最大值的和的一半作为ρ的坐标值（数组坐标），这样做是为了防止ρ值出现负数
rho_int = (int)Math.Round(rho / 2 + rho_max / 2);
//在ρθ坐标（数组）中标识点，即计数累加
accarray[rho_int, k] = accarray[rho_int, k] + 1;
}
}
}
}

//=======利用hough变换提取直线======
//寻找100个像素以上的直线在hough变换后形成的点
const int max_line = 100;
int[] case_accarray_n = new int[max_line];
int[] case_accarray_m = new int[max_line];
int K=0; //存储数组计数器
for (int rho_n = 0; rho_n < rho_max; rho_n++) //在hough变换后的数组中搜索
{
for (int theta_m = 0; theta_m < 180; theta_m++)
{
if (accarray[rho_n, theta_m] >= cross_num && K < max_line) //设定直线的最小值
{
case_accarray_n[K]=rho_n; //存储搜索出的数组下标
case_accarray_m[K]=theta_m;
K=K+1;
}
}
}

//把这些点构成的直线提取出来,输出图像数组为I_out
//I_out=ones(x,y).*255;
Bitmap I_out = new Bitmap(x, y);
for (int n = 0; n < x; n++)
{
for (int m = 0; m < y; m++)
{
//首先设置为白色
I_out.SetPixel(n, m, Color.White);
Color pixel = bmpobj.GetPixel(n, m);
if ( pixel.R == 0)
{
for ( int k = 0; k < 180; k++)
{
rho=(m*Math.Cos(Theta[k]))+(n*Math.Sin(Theta[k]));
rho_int=(int)Math.Round(rho/2+rho_max/2);
//如果正在计算的点属于100像素以上点，则把它提取出来
for ( int a = 0; a < K-1; a++)
{

if (rho_int==case_accarray_n[a] && k==case_accarray_m[a])
I_out.SetPixel(n, m, Color.Black);
}
}
}

}
}
return I_out;
}
相关代码附上。有问题问我。。

‘肆’ Hough变换的算法步骤

传统的hough变换计算量大，而且速度慢，所以我采用按照已有算法进行的。虽然对算法理解了，但是由于编程图像变成黑白的，只提取段落的边界，应该会快一些

‘伍’ 急求用c或c++实现直线检测的hough变换源代码

Hough变换是图像处理中从图像中识别几何形状的基本方法之一。Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。也即把检测整体特性转化为检测局部特性。比如直线、椭圆、圆、弧线等。

Hough变换的基本思想

设已知一黑白图像上画了一条直线，要求出这条直线所在的位置。我们知道，直线的方程可以用y=k*x+b 来表示，其中k和b是参数，分别是斜率和截距。过某一点(x0,y0)的所有直线的参数都会满足方程y0=kx0+b。即点(x0,y0)确定了一族直线。方程y0=kx0+b在参数k--b平面上是一条直线，(你也可以是方程b=-x0*k+y0对应的直线)。这样，图像x--y平面上的一个前景像素点就对应到参数平面上的一条直线。我们举个例子说明解决前面那个问题的原理。设图像上的直线是y=x, 我们先取上面的三个点：A(0,0), B(1,1), C(22)。可以求出，过A点的直线的参数要满足方程b=0, 过B点的直线的参数要满足方程1=k+b, 过C点的直线的参数要满足方程2=2k+b, 这三个方程就对应着参数平面上的三条直线，而这三条直线会相交于一点(k=1,b=0)。 同理，原图像上直线y=x上的其它点(如(3,3),(4,4)等) 对应参数平面上的直线也会通过点(k=1,b=0)。这个性质就为我们解决问题提供了方法，就是把图像平面上的点对应到参数平面上的线，最后通过统计特性来解决问题。假如图像平面上有两条直线，那么最终在参数平面上就会看到两个峰值点，依此类推。

简而言之，Hough变换思想为：在原始图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应了原始坐标系下的一个点，然后，原始坐标系下呈现直线的所有点，它们的斜率和截距是相同的，所以它们在参数坐标系下对应于同一个点。这样在将原始坐标系下的各个点投影到参数坐标系下之后，看参数坐标系下有没有聚集点，这样的聚集点就对应了原始坐标系下的直线。

首先，初始化一块缓冲区，对应于参数平面，将其所有数据置为0.对于图像上每一前景点，求出参数平面对应的直线，把这直线上的所有点的值都加1。最后，找到参数平面上最大点的位置，这个位置就是原图像上直线的参数。

在实际应用中，y=k*x+b形式的直线方程没有办法表示x=c形式的直线(这时候，直线的斜率为无穷大)。所以实际应用中，是采用参数方程p=x*cos(theta)+y*sin(theta)。这样，图像平面上的一个点就对应到参数p---theta平面上的一条曲线上，其它的还是一样。

Hough变换推广

1、已知半径的圆

其实Hough变换可以检测任意的已知表达形式的曲线，关键是看其参数空间的选择，参数空间的选择可以根据它的表达形式而定。比如圆的表达形式为，所以当检测某一半径的圆的时候，可以选择与原图像空间同样的空间作为参数空间。那么圆图像空间中的一个圆对应了参数空间中的一个点，参数空间中的一个点对应了图像空间中的一个圆，圆图像空间中在同一个圆上的点，它们的参数相同即a，b相同，那么它们在参数空间中的对应的圆就会过同一个点（a，b），所以，将原图像空间中的所有点变换到参数空间后，根据参数空间中点的聚集程度就可以判断出图像空间中有没有近似于圆的图形。如果有的话，这个参数就是圆的参数。

2、未知半径的圆对于圆的半径未知的情况下，可以看作是有三个参数的圆的检测，中心和半径。这个时候原理仍然相同，只是参数空间的维数升高，计算量增大。图像空间中的任意一个点都对应了参数空间中的一簇圆曲线。，其实是一个圆锥型。参数空间中的任意一个点对应了图像空间中的一个圆。

3、椭圆椭圆有5个自由参数，所以它的参数空间是5维的，因此他的计算量非常大，所以提出了许多的改进算法。

图像空间中的在同一个圆，直线，椭圆上的点，每一个点都对应了参数空间中的一个图形，在图像空间中这些点都满足它们的方程这一个条件，所以这些点，每个投影后得到的图像都会经过这个参数空间中的点。也就是在参数空间中它们会相交于一点。所以，当参数空间中的这个相交点的越大的话，那么说明元图像空间中满足这个参数的图形越饱满。越象我们要检测的东西。 Hough变换能够查找任意的曲线，只要你给定它的方程。Hough变换在检验已知形状的目标方面具有受曲线间断影响小和不受图形旋转的影响的优点，即使目标有稍许缺损或污染也能被正确识别。

‘陆’ Hough变换算法检测特定长度的直线

I=imread('图像名称’);
figure;imshow(I);title('原图')
I=double(I);
BW=edge(I,'canny');
[A,B,C]=hough(BW);
imshow(A,[],'XData',B,'Ydata',C,'InitialMagnification','fit'); title('hough变换图像')
xlabel('\theta'), ylabel('\rho');
axis normal,hold on;
P=houghpeaks(A,5);
x=B(P(:,2));y=C(P(:,1));
plot(x,y,'s','color','white');
lines=houghlines(O,B,C,P);
figure,imshow(N),hold on
max_len=0;
for k=1:要检测的长度值
xy=[lines(k).point1;lines(k).point2];
plot(xy(:,1),xy(:,2),'color','green');
plot(xy(1,1),xy(1,2),'color','yellow');
plot(xy(2,1),xy(2,2),'color','red');
len=norm(lines(k).point1-lines(k).point2);
if (len>max_len)
max_len=len;
xy_long=xy;
end
end
plot(xy_long(:,1),xy_long(:,2),'color','cyan');

‘柒’ 霍夫变换的介绍

原理简介 霍夫变换(Hough Transform) 霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线(线段)。

‘捌’ 霍夫 变换和最小二乘法有什么区别

它们是算不同的是东西，得到的解也不同。

霍夫变换： 霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状(如，直线，圆等)。最基本的霍夫变换是从黑白图像中检测直线(线段)。
最小二乘法：又称最小平方法是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

‘玖’ 请问谁知道概率霍夫变换的原理是什么吗

霍夫变换(Hough Transform)
霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。最基本的霍夫变换是从黑白图像中检测直线(线段)。我们先看这样一个问题：设已知一黑白图像上画了一条直线，要求出这条直线所在的位置。我们知道，直线的方程可以用y=k*x+b 来表示，其中k和b是参数，分别是斜率和截距。过某一点(x0,y0)的所有直线的参数都会满足方程y0=kx0+b。即点(x0,y0)确定了一族直线。方程y0=kx0+b在参数k--b平面上是一条直线，(你也可以是方程b=-x0*k+y0对应的直线)。这样，图像x--y平面上的一个前景像素点就对应到参数平面上的一条直线。我们举个例子说明解决前面那个问题的原理。设图像上的直线是y=x, 我们先取上面的三个点：A(0,0), B(1,1), C(22)。可以求出，过A点的直线的参数要满足方程b=0, 过B点的直线的参数要满足方程1=k+b, 过C点的直线的参数要满足方程2=2k+b, 这三个方程就对应着参数平面上的三条直线，而这三条直线会相交于一点(k=1,b=0)。 同理，原图像上直线y=x上的其它点(如(3,3),(4,4)等) 对应参数平面上的直线也会通过点(k=1,b=0)。这个性质就为我们解决问题提供了方法：
首先，我们初始化一块缓冲区，对应于参数平面，将其所有数据置为0.
对于图像上每一前景点，求出参数平面对应的直线，把这直线上的所有点的值都加1。最后，找到参数平面上最大点的位置，这个位置就是原图像上直线的参数。上面就是霍夫变换的基本思想。就是把图像平面上的点对应到参数平面上的线，最后通过统计特性来解决问题。假如图像平面上有两条直线，那么最终在参数平面上就会看到两个峰值点，依此类推。
在实际应用中，y=k*x+b形式的直线方程没有办法表示x=c形式的直线(这时候，直线的斜率为无穷大)。所以实际应用中，是采用参数方程p=x*cos(theta)+y*sin(theta)。这样，图像平面上的一个点就对应到参数p---theta平面上的一条曲线上。其它的还是一样。
在看下面一个问题：我们要从一幅图像中检测出半径以知的圆形来。这个问题比前一个还要直观。我们可以取和图像平面一样的参数平面，以图像上每一个前景点为圆心，以已知的半径在参数平面上画圆，并把结果进行累加。最后找出参数平面上的峰值点，这个位置就对应了图像上的圆心。在这个问题里，图像平面上的每一点对应到参数平面上的一个圆。
把上面的问题改一下，假如我们不知道半径的值，而要找出图像上的圆来。这样，一个办法是把参数平面扩大称为三维空间。就是说，参数空间变为x--y--R三维，对应圆的圆心和半径。
图像平面上的每一点就对应于参数空间中每个半径下的一个圆，这实际上是一个圆锥。最后当然还是找参数空间中的峰值点。不过，这个方法显然需要大量的内存，运行速度也会是很大问题。有什么更好的方法么?我们前面假定的图像都是黑白图像(2值图像)，实际上这些2值图像多是彩色或灰度图像通过边缘提取来的。我们前面提到过，图像边缘除了位置信息，还有方向信息也很重要，这里就用上了。根据圆的性质，圆的半径一定在垂直于圆的切线的直线上，也就是说，在圆上任意一点的法线上。这样，解决上面的问题，我们仍采用2维的参数空间，对于图像上的每一前景点，加上它的方向信息，都可以确定出一条直线，圆的圆心就在这条直线上。这样一来，问题就会简单了许多。
接下来还有许多类似的问题，如检测出椭圆，正方形，长方形，圆弧等等。这些方法大都类似，关键就是需要熟悉这些几何形状的数学性质。霍夫变换的应用是很广泛的，比如我们要做一个支票识别的任务，假设支票上肯定有一个红颜色的方形印章，我们可以通过霍夫变换来对这个印章进行快速定位，在配合其它手段进行其它处理。霍夫变换由于不受图像旋转的影响，所以很容易的可以用来进行定位。
霍夫变换有许多改进方法，一个比较重要的概念是广义霍夫变换，它是针对所有曲线的，用处也很大。就是针对直线的霍夫变换也有很多改进算法，比如前面的方法我们没有考虑图像上的这一直线上的点是否连续的问题，这些都要随着应用的不同而有优化的方法。

‘拾’ 运用matlab实现Hough变换检测圆的算法 里面哪里有错误帮忙看看

这程序调试后检测出来不是圆的检测，是边缘检测