Hough Transform

A transformada de Hough é uma técnica geométrica de extração de características que detecta linhas, círculos e outras formas parametrizadas, permitindo que os pontos da imagem votem nas formas possíveis. Os pontos pertencentes à mesma estrutura reforçam-se mutuamente, produzindo um pico acentuado numa tabela de votação. Em visão computacional, isso ajuda a recuperar formas com lacunas ou bordas ruidosas.

Paul V. C. Hough apresentou a técnica em 1959, em Análise automática de imagens de câmaras de bolhas, para detectar trajetórias de partículas em fotografias de física. Richard Duda e Peter Hart introduziram a representação de ângulo e distância, amplamente utilizada, no artigo de 1972 sobre detecção de linhas e curvas.

Como funciona a votação de Hough#

Um fluxo de trabalho típico começa com o pré-processamento de dados e a detecção de bordas. Um detector de bordas identifica alterações locais de brilho; a transformada de Hough agrupa os pixels de borda em estruturas geométricas. O operador de Sobel estima os gradientes de brilho, enquanto o Canny produz um mapa de bordas fino, adequado para a votação de linhas.

Cada linha candidata é representada por rho, sua distância perpendicular com sinal em relação à origem da imagem, e theta, o ângulo dessa perpendicular em relação ao eixo x. Isso permite lidar com linhas verticais sem inclinação infinita. Cada pixel de borda vota nos pares rho–theta compatíveis num acumulador, uma tabela que divide o espaço de parâmetros em intervalos discretos. Os pixels colineares contribuem para o mesmo intervalo, mesmo quando estão separados na imagem. Os picos identificam as linhas sustentadas pelas votações.

A geometria e as regras de votação determinam o resultado. Um detector de aprendizagem profunda aprende padrões visuais a partir de dados de treino; a detecção de Hough usa um modelo de forma escolhido e limiares numéricos, em vez de pesos do modelo aprendidos.

Transformadas de linha, probabilística e de círculo#

Três implementações comuns diferem na pesquisa e no resultado:

• Transformada de linha padrão: cv2.HoughLines() retorna pares rho–theta que descrevem linhas infinitas. Os extremos dos segmentos exigem processamento adicional.
• Transformada probabilística de linha: cv2.HoughLinesP() reduz o trabalho de votação por meio da amostragem de pontos e retorna diretamente os extremos dos segmentos. minLineLength rejeita segmentos curtos; maxLineGap controla a distância máxima entre trechos alinhados que podem ser unidos.
• Transformada de círculo: os candidatos a círculo exigem um centro e um raio. cv2.HoughCircles() usa uma abordagem baseada em gradientes, e os limites do raio reduzem o espaço de pesquisa. A entrada é uma imagem em escala de cinza, enquanto as funções de linha recebem uma imagem binária.

Detecção de segmentos de linha em Python#

Instala as dependências com pip install opencv-python numpy. Este exemplo usa OpenCV para detectar e desenhar segmentos de linha na imagem de amostra do autocarro.

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Extrai as bordas para a votação.
edges = cv2.Canny(gray, 50, 150)
# Deteta segmentos finitos sustentados pelos votos do acumulador.
lines = cv2.HoughLinesP(
    edges,
    1,
    np.pi / 180,
    threshold=80,
    minLineLength=80,
    maxLineGap=10,
)
if lines is not None:
    for x1, y1, x2, y2 in lines[:, 0]:
        cv2.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imwrite("hough_segments.jpg", image)

A imagem guardada sobrepõe os segmentos retornados a vermelho. Os intervalos de rho têm um píxel de largura, os intervalos de theta abrangem um grau, e threshold=80 define o limiar de votos do acumulador. As definições de comprimento dos segmentos e de lacunas são medidas em píxeis.

Aplicações e limitações práticas#

No processamento de documentos, a extração das linhas da grelha ajuda na análise estrutural: o OpenCV demonstra a detecção de Hough numa imagem de Sudoku. A votação circular localiza os centros e os raios das moedas nos exemplos de círculos e elipses do scikit-image. Estes resultados descrevem a geometria; a detecção de objetos acrescenta categorias semânticas, e a segmentação de instâncias atribui píxeis a objetos individuais.

Um protótipo de medição de vigas de aço combina máscaras do YOLOv8, bordas Canny e linhas de Hough probabilísticas para ajudar a extrair cantos. A segmentação do Ultralytics YOLO26 fornece máscaras para o isolamento de objetos, permitindo usar a mesma abordagem com entrada mascarada antes do processamento geométrico separado.

Intervalos mais finos no acumulador aumentam o uso de memória; intervalos mais grossos fundem candidatos próximos. Na extração de limites de tabelas, bordas incompletas reduzem o número de limites detetáveis, enquanto linhas não relacionadas podem causar correções incorretas dos limites. Aumentar maxLineGap permite unir lacunas maiores entre trechos alinhados; aumentar minLineLength remove segmentos mais curtos.