import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import random

img = cv.imread("../SampleImages/GreenBoard.jpg")
print(img.shape)
plt.imshow(img[:,:,::-1])

#将图像转为二值图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
plt.imshow(gray, cmap=plt.cm.gray)

#使用Canny边缘检测
edges = cv.Canny(gray, 50, 150)
plt.imshow(edges, cmap=plt.cm.gray)

#霍夫线检测
#cv.HoughLines(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None) 
#image： 必须是二值图像，推荐使用canny边缘检测的结果图像； 
#rho: 线段以像素为单位的距离精度，double类型的，推荐用1.0 
#theta： 线段以弧度为单位的角度精度，推荐用numpy.pi/180 
#threshod: 累加平面的阈值参数，int类型，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少。根据情况推荐先用100试试
#lines：这个参数的意义未知，发现不同的lines对结果没影响，但是不要忽略了它的存在 
#minLineLength：线段以像素为单位的最小长度，根据应用场景设置 
#maxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），超过了设定值，则把两条线段当成一条线段，值越大，允许线段上的断裂越大，越有可能检出潜在的直线段
#参考资料：https://blog.csdn.net/dcrmg/article/details/78880046
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 150)

#绘制霍夫线检测结果
for line in lines:
    rho,theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * a)
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * a)
    cv.line(img, (x1,y1), (x2,y2), (0,0,255))

plt.imshow(img[:,:,::-1])