转载请注明出处。
文章链接：https://blog.csdn.net/duiwangxiaomi/article/details/126406184

博文目录

一. 前言
二. cvHoughLines2函数定义
- (一) 函数说明
- (二) 函数使用
三. 源码解析
- (一) HoughLines、HoughLinesP源码
- (二) cvHoughLines2源码解析
四. 总结

一. 前言

霍夫变换是一种在图像中寻找直线、圆及其他简单形状的方法，利用Hough变换在二值图像中找到直线。本文主要介绍opencv自带的几种直线检测函数，以及主要检测函数cvHoughLines2()的源码解析。

二. cvHoughLines2函数定义

目前opencv直线检测方法有如下三种：

1. CV_HOUGH_STANDARD(SHT)传统或标准Hough变换.每一个线段由两个浮点数(ρ,θ)表示，此中ρ是原点(0,0)到直线的距离，θ表示线段与x-轴之间的夹角。是以，矩阵类型必须是 CV_32FC2 type.
2. CV_HOUGH_PROBABILISTIC(PPHT)概率Hough变换(如果图像包含一些长的线性分割，则效率更高). 它返回线段分割而不是整条直线。每个分割用起点和终点来表示，所以矩阵(或创建的序列)类型是 CV_32SC4.
3. CV_HOUGH_MULTI_SCALE(MSHT)传统 Hough 变换的多标准变种。线段的编码体式格式与 CV_HOUGH_STANDARD 的一致。

opencv自带的几种直线检测函数，如下：

序号	使用方式	函数名称
1	C接口	cvHoughLines2()
2	C++接口-SHT,MSHT	HoughLines()
3	C++接口-PPHT	HoughLinesP()

(一) 函数说明

！！！注意：参数中的theta为检测直线对应的垂线角度，从后面的源码解析可以看出。
// 1.C接口
CV_IMPL CvSeq*
cvHoughLines2( CvArr* src_image, void* lineStorage, int method,double rho, double theta, int threshold,double param1, double param2 )
函数说明：C接口中的hough检测实现了上述三种检测方法，调用时可通过method设置检测方法。
返 回 值：返回找到的线段序列.
参数说明：src_image   输入 8-比特、单通道 (二值) 图像lineStorage  指向保存结果位置的指针，既可以是内存块cvMemoryStorage，也可以是Ｎ*1的矩阵数列(行数Ｎ将有助于限制直线的最大数量)method     采用的检测方法，可以是CV_HOUGH_STANDARD(SHT)CV_HOUGH_PROBABILISTIC(PPHT)CV_HOUGH_MULTI_SCALE(MSHT)rho           以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径。一般设置为１theta      以弧度为单位的角度精度.另一种形容方式是直线搜索时的进步尺寸的单位角度.一般设置为CV_PI/180.threshold    累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值.阈值>threshold的线段才可以被检测通过并返回到结果中.param1      1)对传统 Hough 变换，不使用(0).2)对概率 Hough 变换，它是最小线段长度.x方向或y向有一者距离满足要求即可.3)对多尺度 Hough 变换，它是距离精度rho的分母(大致的距离精度是rho而精确的应该是rho/param1 ).param2     1)对传统 Hough 变换，不使用 (0).2)对概率 Hough 变换，这个参数表示在同一条直线上进行碎线段连接的最大间隔值(gap), 即当同一条直线上的两条碎线段之间的间隔小于param2时，将其合二为一。3)对多尺度 Hough 变换，它是角度精度 theta 的分母 (大致的角度精度是 theta 而精确的角度应该是 theta/param2).

// 2.C++接口
// 标准和多尺度霍夫变换函数
void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 )
函数说明：此函数实现了标准霍夫变换SHT和多尺度霍夫变换MSHT进行直线检测。调用时可通过method设置检测方法。
参数说明：image       InputArray类型的image，输入图像，即源图像，需为8位的单通道二进制，可将任意的源图载入进来由函数修改成此格式后，填在此处。lines        OutputArray类型的lines，储存检测到线条的输出矢量.每一条线由(ρ,θ)，其中，ρ是离坐标原点((0,0)(也就是图像的左上角)的距离.θ是弧度线条旋转角度（0~垂直线，π/2~水平线).rho         同cvHoughLines2中参数说明theta        同cvHoughLines2中参数说明threshold    同cvHoughLines2中参数说明srn          默认值0对于多尺度霍夫变换，是第三个参数进步尺寸rho的除数距离。粗略的累加器进步尺寸直接是第三个参数rho，而精确的累加器进步尺寸为rho/srn。stn            默认值0对于多尺度霍夫变换，srn表示第四个参数进步尺寸的单位角度theta的除数距离。且如果srn和stn同时为0，就表示使用经典的霍夫变换。否则，这两个参数应该都为正数。// 概率霍夫变换
void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta, int threshold, double minLineLength=0, double maxLineGap=0 )
函数说明：C++接口将概率霍夫变换单独出来的函数。
参数说明：image           同HoughLines中参数说明lines           同HoughLines中参数说明rho             同cvHoughLines2中参数说明theta            同cvHoughLines2中参数说明threshold        同cvHoughLines2中参数说明minLineLength    同cvHoughLines2中参数param1-2)说明maxLineGap      同cvHoughLines2中参数param2-2)说明

(二) 函数使用

cvHoughLines2示例

#include <highgui.h>
#include <cv.h>
#include <math.h>int main(int argc, char** argv)
{IplImage* src;src = cvLoadImage( “./001.jpg”, 0 ); //加载灰度图IplImage* dst = cvCreateImage( cvGetSize( src ), IPL_DEPTH_8U, 1 );IplImage* color_dst = cvCreateImage( cvGetSize( src ), IPL_DEPTH_8U, 3 );  //创建三通道图像，用于直线显示CvMemStorage* storage = cvCreateMemStorage(0);CvSeq* lines = 0;cvCanny( src, dst, 50, 100, 3 );  //首先运行边缘检测，得到只有边缘的二值图像lines = cvHoughLines2( dst, storage, CV_HOUGH_PROBABILISTIC, 1, CV_PI/180, 80, 30, 10 ); //提取直线并显示cvCvtColor( dst, color_dst, CV_GRAY2BGR ); for( int i = 0; i < lines ->total; i++ )  //lines存储的是直线{CvPoint* line = ( CvPoint* )cvGetSeqElem( lines, i );  //lines序列里面存储的是像素点坐标cvLine( color_dst, line[0], line[1], CV_RGB( 0, 255, 0 ) );  //将找到的直线标记为绿色}cvNamedWindow( "src", 1 );cvShowImage( "src", src );cvNamedWindow( "Hough", 1 );cvShowImage( "Hough", color_dst );cvWaitKey(0);return 0;
}

对于HoughLines、HoughLinesP使用，可直接参照毛星云博客，大佬写的非常详细，这里贴上链接。
毛星云hough直线检测

三. 源码解析

(一) HoughLines、HoughLinesP源码

先贴出HoughLines、HoughLinesP函数源码，可以看出，二者最终都调用了cvHoughLines2函数，因此，我们直接对cvHoughLines2源码进行解析。

void cv::HoughLines( InputArray _image, OutputArray _lines,double rho, double theta, int threshold,double srn, double stn )
{Ptr<CvMemStorage> storage = cvCreateMemStorage(STORAGE_SIZE);Mat image = _image.getMat();CvMat c_image = image;CvSeq* seq = cvHoughLines2( &c_image, storage, srn == 0 && stn == 0 ?CV_HOUGH_STANDARD : CV_HOUGH_MULTI_SCALE,rho, theta, threshold, srn, stn );seqToMat(seq, _lines);
}void cv::HoughLinesP( InputArray _image, OutputArray _lines,double rho, double theta, int threshold,double minLineLength, double maxGap )
{Ptr<CvMemStorage> storage = cvCreateMemStorage(STORAGE_SIZE);Mat image = _image.getMat();CvMat c_image = image;CvSeq* seq = cvHoughLines2( &c_image, storage, CV_HOUGH_PROBABILISTIC,rho, theta, threshold, minLineLength, maxGap );seqToMat(seq, _lines);
}

(二) cvHoughLines2源码解析

这里主要对概率霍夫变换和标准变换进行分析，直接上源码，注释在代码中~

cvHoughLines2，method处是代码核心，分别调用了三种检测方法的函数，2、3直接进行标准变换和概率霍夫变换函数的源码解析。

// cvHoughLines2
CV_IMPL CvSeq*
cvHoughLines2( CvArr* src_image, void* lineStorage, int method,double rho, double theta, int threshold,double param1, double param2 )
{CvSeq* result = 0;CvMat stub, *img = (CvMat*)src_image;CvMat* mat = 0;CvSeq* lines = 0;CvSeq lines_header;CvSeqBlock lines_block;int lineType, elemSize;int linesMax = INT_MAX;int iparam1, iparam2;img = cvGetMat( img, &stub );if( !CV_IS_MASK_ARR(img))CV_Error( CV_StsBadArg, "The source image must be 8-bit, single-channel" );if( !lineStorage )CV_Error( CV_StsNullPtr, "NULL destination" );if( rho <= 0 || theta <= 0 || threshold <= 0 )CV_Error( CV_StsOutOfRange, "rho, theta and threshold must be positive" );if( method != CV_HOUGH_PROBABILISTIC ){lineType = CV_32FC2;elemSize = sizeof(float)*2;}else{lineType = CV_32SC4;elemSize = sizeof(int)*4;}if( CV_IS_STORAGE( lineStorage )){lines = cvCreateSeq( lineType, sizeof(CvSeq), elemSize, (CvMemStorage*)lineStorage );}else if( CV_IS_MAT( lineStorage )){mat = (CvMat*)lineStorage;if( !CV_IS_MAT_CONT( mat->type ) || (mat->rows != 1 && mat->cols != 1) )CV_Error( CV_StsBadArg,"The destination matrix should be continuous and have a single row or a single column" );if( CV_MAT_TYPE( mat->type ) != lineType )CV_Error( CV_StsBadArg,"The destination matrix data type is inappropriate, see the manual" );lines = cvMakeSeqHeaderForArray( lineType, sizeof(CvSeq), elemSize, mat->data.ptr,mat->rows + mat->cols - 1, &lines_header, &lines_block );linesMax = lines->total;cvClearSeq( lines );}elseCV_Error( CV_StsBadArg, "Destination is not CvMemStorage* nor CvMat*" );iparam1 = cvRound(param1);iparam2 = cvRound(param2);switch( method ){case CV_HOUGH_STANDARD:icvHoughLinesStandard( img, (float)rho,(float)theta, threshold, lines, linesMax );break;case CV_HOUGH_MULTI_SCALE:icvHoughLinesSDiv( img, (float)rho, (float)theta,threshold, iparam1, iparam2, lines, linesMax );break;case CV_HOUGH_PROBABILISTIC:icvHoughLinesProbabilistic( img, (float)rho, (float)theta,threshold, iparam1, iparam2, lines, linesMax );break;default:CV_Error( CV_StsBadArg, "Unrecognized method id" );}if( mat ){if( mat->cols > mat->rows )mat->cols = lines->total;elsemat->rows = lines->total;}elseresult = lines;return result;
}

标准霍夫变换

static void
icvHoughLinesStandard( const CvMat* img, float rho, float theta,int threshold, CvSeq *lines, int linesMax )
{const uchar* image;int step, width, height;int numangle, numrho;int total = 0;int i, j;float irho = 1 / rho;double scale;CV_Assert( CV_IS_MAT(img) && CV_MAT_TYPE(img->type) == CV_8UC1 );image = img->data.ptr;step = img->step;width = img->cols;height = img->rows;numangle = cvRound(CV_PI / theta); //极坐标空间theta轴细分程度numrho = cvRound(((width + height) * 2 + 1) / rho); //极坐标空间rho轴细分程度//实质最小可以取图像两个对角之间的最大距离，eg: M*N的图片最大距离为sqrt(M^2+N^2)//如上计算，显然>sqrt(M^2+N^2), 使得计算分辨率更高_accum.allocate((numangle+2) * (numrho+2));  //多分配一行一列，主要是方便stage    //2中4邻域的比较，否则比较时会溢出_sort_buf.allocate(numangle * numrho);_tabSin.allocate(numangle);_tabCos.allocate(numangle);int *accum = _accum, *sort_buf = _sort_buf;float *tabSin = _tabSin, *tabCos = _tabCos;memset( accum, 0, sizeof(accum[0]) * (numangle+2) * (numrho+2) );float ang = 0;for(int n = 0; n < numangle; ang += theta, n++ ){tabSin[n] = (float)(sin((double)ang) * irho);    //做好tabSin数组，后面备查tabCos[n] = (float)(cos((double)ang) * irho);    //做好tabCos数组，后面备查}// stage 1. fill accumulatorfor( i = 0; i < height; i++ )for( j = 0; j < width; j++ ){if( image[i * step + j] != 0 )                //二值图像非零点for(int n = 0; n < numangle; n++ ){int r = cvRound( j * tabCos[n] + i * tabSin[n] );   //ρ = x cos θ + y sin θr += (numrho - 1) / 2;               //距离偏移一半,r有负值，使r取值在[0,numrho - 1]区间accum[(n+1) * (numrho+2) + r+1]++;   //累加器相应单元+1，//n+1是为了第一行空出来//numrho+2 是总共的列数//r+1把第一列空出来，stage 2需要比较4邻域累加器中值的大小}}// stage 2. find local maximumsfor(int r = 0; r < numrho; r++ )for(int n = 0; n < numangle; n++ ){int base = (n+1) * (numrho+2) + r+1;         //累加器空间的索引，与stage 1中相同if( accum[base] > threshold &&accum[base] > accum[base - 1] && accum[base] >= accum[base + 1] &&accum[base] > accum[base - numrho - 2] && accum[base] >= accum[base + numrho + 2] )sort_buf[total++] = base;}// stage 3. sort the detected lines by accumulator valueicvHoughSortDescent32s( sort_buf, total, accum );    //opencv自带排序函数，//降序排列，降序排列后的数据在accum中的序号赋给sort_buf// stage 4. store the first min(total,linesMax) lines to the output bufferlinesMax = MIN(linesMax, total);scale = 1./(numrho+2);for( i = 0; i < linesMax; i++ ){CvLinePolar line;int idx = sort_buf[i];   //累加器空间accum的序号int n = cvFloor(idx*scale) - 1;   //cvFloor()将浮点数转换为不大于该参数的整数//除以(numrho + 2)并减1→获得行数int r = idx - (n+1)*(numrho+2) - 1;  //获得列数line.rho = (r - (numrho - 1)*0.5f) * rho;   //0.5=1/2，距离大小，与之前偏移相对应line.angle = n * theta;        //角度大小cvSeqPush( lines, &line );     //直线以(ρ，r)装到lines中}}

概率霍夫变换

// icvHoughLinesProbabilistic
static void
icvHoughLinesProbabalistic( CvMat* image,float rho, float theta, int threshold,int lineLength, int lineGap,CvSeq *lines, int linesMax )
{CvMat* accum = 0;//累加器CvMat* mask = 0;//保存0,1图像CvMat* trigtab = 0;//保存cos、sin与距离精度（irho）的乘积CvMemStorage* storage = 0;CV_FUNCNAME( "icvHoughLinesProbalistic" );__BEGIN__;CvSeq* seq;CvSeqWriter writer;int width, height;int numangle, numrho;float ang;int r, n, count;CvPoint pt;float irho = 1 / rho;CvRNG rng = cvRNG(-1);//产生随机数const float* ttab;uchar* mdata0;CV_ASSERT( CV_IS_MAT(image) && CV_MAT_TYPE(image->type) == CV_8UC1 );width = image->cols;height = image->rows;numangle = cvRound(CV_PI / theta);numrho = cvRound(((width + height) * 2 + 1) / rho);CV_CALL( accum = cvCreateMat( numangle, numrho, CV_32SC1 ));CV_CALL( mask = cvCreateMat( height, width, CV_8UC1 ));CV_CALL( trigtab = cvCreateMat( 1, numangle, CV_32FC2 ));cvZero( accum );CV_CALL( storage = cvCreateMemStorage(0) );for( ang = 0, n = 0; n < numangle; ang += theta, n++ ){trigtab->data.fl[n*2] = (float)(cos(ang) * irho);trigtab->data.fl[n*2+1] = (float)(sin(ang) * irho);}ttab = trigtab->data.fl;mdata0 = mask->data.ptr;CV_CALL( cvStartWriteSeq( CV_32SC2, sizeof(CvSeq), sizeof(CvPoint), storage, &writer )); //第一步生成0,1图像，即：选择非零的点// stage 1. collect non-zero image pointsfor( pt.y = 0, count = 0; pt.y < height; pt.y++ ){const uchar* data = image->data.ptr + pt.y*image->step;uchar* mdata = mdata0 + pt.y*width;for( pt.x = 0; pt.x < width; pt.x++ ){if( data[pt.x] ){mdata[pt.x] = (uchar)1;CV_WRITE_SEQ_ELEM( pt, writer );//存入链表}elsemdata[pt.x] = 0;}}seq = cvEndWriteSeq( &writer );count = seq->total;//随机处理// stage 2. process all the points in random orderfor( ; count > 0; count-- ){// choose random point out of the remaining onesint idx = cvRandInt(&rng) % count;//生成随机数int max_val = threshold-1, max_n = 0;CvPoint* pt = (CvPoint*)cvGetSeqElem( seq, idx );CvPoint line_end[2] = {{0,0}, {0,0}};float a, b;int* adata = accum->data.i;int i, j, k, x0, y0, dx0, dy0, xflag;int good_line;const int shift = 16;i = pt->y;j = pt->x;//注意这行代码是为了覆盖pt指向的内容，也就是说pt指向的链表seq的内容被count-1位置上的内容覆盖了// "remove" it by overriding it with the last element*pt = *(CvPoint*)cvGetSeqElem( seq, count-1 );// check if it has been excluded already (i.e. belongs to some other line)if( !mdata0[i*width + j] )continue;//更新 累加器，查找最大概率的线// update accumulator, find the most probable linefor( n = 0; n < numangle; n++, adata += numrho ){r = cvRound( j * ttab[n*2] + i * ttab[n*2+1] );r += (numrho - 1) / 2;//r有负值，使r取值在[0,numrho - 1]区间int val = ++adata[r];if( max_val < val ){max_val = val;max_n = n;}}//如果点的个数max_val < threshold 就被认为是不符合条件的候选点（i，j）// if it is too "weak" candidate, continue with another pointif( max_val < threshold )continue;//如果点的个数max_val >= threshold 就被认为是符合条件的候选点（i，j）// from the current point walk in each direction// along the found line and extract the line segment//极坐标中的方向角是直线的垂线与极轴正向的夹角，在图像中夹角是第四象限的角//（极轴正向逆时针旋转，极轴就是在平面直角坐标系中的x轴正方向，对于图像来说，y轴正向是向下的）//所以sin取负值，cos不变a = -ttab[max_n*2+1];b = ttab[max_n*2];x0 = j;y0 = i;//计算步长dx0，dy0if( fabs(a) > fabs(b) ){xflag = 1;dx0 = a > 0 ? 1 : -1;dy0 = cvRound( b*(1 << shift)/fabs(a) );y0 = (y0 << shift) + (1 << (shift-1));//1 << shift这是为了把浮点数计算转化为整数计算}else{xflag = 0;dy0 = b > 0 ? 1 : -1;dx0 = cvRound( a*(1 << shift)/fabs(b) );x0 = (x0 << shift) + (1 << (shift-1));}//当点的位置和cos、sin确定后，每条直线都有两个方向for( k = 0; k < 2; k++ ){int gap = 0, x = x0, y = y0, dx = dx0, dy = dy0;if( k > 0 ) //控制两个方向（正好相反）dx = -dx, dy = -dy;// walk along the line using fixed-point arithmetics,// stop at the image border or in case of too big gapfor( ;; x += dx, y += dy ){uchar* mdata;int i1, j1;if( xflag ){j1 = x;i1 = y >> shift;}else{j1 = x >> shift;i1 = y;}if( j1 < 0 || j1 >= width || i1 < 0 || i1 >= height )break;mdata = mdata0 + i1*width + j1;// for each non-zero point://    update line end,//    clear the mask element//    reset the gapif( *mdata ){gap = 0;line_end[k].y = i1;line_end[k].x = j1;}else if( ++gap > lineGap )//像素间隙大于lineGap 则退出break;}}//分别计算X、Y方向距离good_line = abs(line_end[1].x - line_end[0].x) >= lineLength ||abs(line_end[1].y - line_end[0].y) >= lineLength;for( k = 0; k < 2; k++ ){int x = x0, y = y0, dx = dx0, dy = dy0;if( k > 0 )dx = -dx, dy = -dy;// walk along the line using fixed-point arithmetics,// stop at the image border or in case of too big gapfor( ;; x += dx, y += dy ){uchar* mdata;int i1, j1;if( xflag ){j1 = x;i1 = y >> shift;}else{j1 = x >> shift;i1 = y;}mdata = mdata0 + i1*width + j1;// for each non-zero point://    update line end,//    clear the mask element//    reset the gap//如果*mdata == 1则设置为0，去除已经检测过的点if( *mdata ){//如果是直线，则去除累加器里面的值if( good_line ){adata = accum->data.i;for( n = 0; n < numangle; n++, adata += numrho ){r = cvRound( j1 * ttab[n*2] + i1 * ttab[n*2+1] );r += (numrho - 1) / 2;//r有负值，使r取值在[0,numrho - 1]区间adata[r]--;}}*mdata = 0;}if( i1 == line_end[k].y && j1 == line_end[k].x )break;}}if( good_line ){CvRect lr = { line_end[0].x, line_end[0].y, line_end[1].x, line_end[1].y };cvSeqPush( lines, &lr );if( lines->total >= linesMax )EXIT;}}__END__;cvReleaseMat( &accum );cvReleaseMat( &mask );cvReleaseMat( &trigtab );cvReleaseMemStorage( &storage );
}

四. 总结

今天的博客就到这里啦，欢迎大家在评论区互相学习讨论，我们下期见，三连哦~

参考链接：
1.【OpenCV入门教程之十四】OpenCV霍夫变换：霍夫线变换，霍夫圆变换合辑
2. openCV cvHoughLines2 函数源码解析（CV_HOUGH_PROBABILISTIC 基于概率的霍夫变换）
3. 第六章 - 图像变换 - 霍夫线变换(cvHoughLines2)

cvHoughLines2霍夫直线检测函数详解及源码解析相关推荐

霍夫直线检测原理详解
RN FlatList使用详解及源码解析
FlatList使用详解及源码解析前言长列表或者无限下拉列表是最常见的应用场景之一.RN 提供的 ListView 组件,在长列表这种数据量大的场景下,性能堪忧.而在最新的 0.43 版本中,提供 ...
FreeRTOS之Tracealyzer for FreeRTOS（FreeRTOS+Trace）详解（源码解析+移植）
源:FreeRTOS之Tracealyzer for FreeRTOS(FreeRTOS+Trace) 详解(源码解析+移植)
okhttp的应用详解与源码解析--http的发展史
乘5G之势,借物联网之风,Android未来亦可期,Android优势在于开放,手机.平板.车载设备.智能家居等都是Android的舞台,Google不倒,Android不灭,本专栏的同步视频教程已经 ...
Diffusion Model原理详解及源码解析
作者:秃头小苏@CSDN 编辑:3D视觉开发者社区文章目录 Diffusion Model原理详解及源码解析写在前面 Diffusion Model原理详解✨✨✨ 整体思路实施细节正向过程逆 ...
Android应用Context详解及源码解析
[工匠若水 http://blog.csdn.net/yanbober 转载烦请注明出处,尊重分享成果] 1 背景今天突然想起之前在上家公司(做TV与BOX盒子)时有好几个人问过我关于Android ...
协方差矩阵数学原理，numpy计算协方差矩阵(np.cov)函数详解与源码剖析
协方差矩阵详解以及numpy计算协方差矩阵(np.cov) 协方差矩阵详解均值,标准差与方差由简单的统计学基础知识,我们有如下公式: X ˉ = ∑ i = 1 n X i n \bar X{\r ...
【OS xv6】1 万字详解shell源码解析命令（内含wsl+vscode调试xv6教程文档第一章助读）
现在前面的嘻嘻几百年没写文了确实没时间,等搞完毕设可以一起重温重温.最近学os,读源码发现还挺多东西得整理的,尤其途中有必要找资料整理的时候,内容有点多有点乱,写在源码已经显得不现实了.用的vsco ...
FreeRTOS 之二 Tracealyzer for FreeRTOS（FreeRTOS+Trace）详解（源码解析+移植）
2020/5/19 更新了在使用 4.3.8 时遇到的一些问题说明 2018/5/16 大约一个月之前,Tracealyzer for FreeRTOS目前更新到了4.x,新版本不在区分针对哪个系统, ...

cvHoughLines2霍夫直线检测函数详解及源码解析