Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0613· OpenAIAi2 WildChat-4.8M (AI2)

Напиши преобразование хафа на python, numpy для черно-белого изображения

  1. User

    Напиши преобразование хафа на python, numpy для черно-белого изображения

  2. Assistant

    Преобразование Хафа (Hough transform) для черно-белого изображения можно реализовать с помощью библиотеки numpy. Вот пример кода:

    import numpy as np
    
    def hough_transform(image):
        height, width = image.shape
        diagonal = int(np.ceil(np.sqrt(height**2 + width**2)))
        theta_range = np.deg2rad(np.arange(-90, 90))
        cos_theta = np.cos(theta_range)
        sin_theta = np.sin(theta_range)
        num_thetas = len(theta_range)
        
        accumulator = np.zeros((diagonal, num_thetas))
        y_idxs, x_idxs = np.nonzero(image)
        
        for i in range(len(x_idxs)):
            x = x_idxs[i]
            y = y_idxs[i]
            for t_idx in range(num_thetas):
                rho = int(x*cos_theta[t_idx] + y*sin_theta[t_idx])
                rho_idx = rho + diagonal // 2
                accumulator[rho_idx, t_idx] += 1
                
        return accumulator, theta_range
    
    # Пример использования
    image = np.array([[0, 0, 0, 0],
                      [1, 1, 1, 1],
                      [0, 0, 1, 0],
                      [0, 0, 1, 0]])
    accumulator, theta_range = hough_transform(image)
    

    В этом примере входное изображение image представлено двумерным массивом numpy, где цвета пикселей закодированы числами (например, черный - 0, белый - 1). Функция hough_transform возвращает аккумуляторную матрицу accumulator, которая содержит голосование для всех возможных линий, и массив theta_range, который содержит углы от -90 до 89 градусов. Каждый элемент аккумулятора представляет собой количество пикселей, которые голосуют за соответствующую линию Хафа.

    Обратите внимание, что код приведен только для преобразования Хафа и не содержит дополнительных шагов для обнаружения линий на изображении.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.