파이썬 OpenCV 허프 변환 가이드: HoughLines HoughLinesP HoughCircles로 선과 원 정확 검출

파이썬 OpenCV 허프 변환 가이드: HoughLines HoughLinesP HoughCircles로 선과 원 정확 검출

🔎 라인과 원을 놓치지 않는 파라미터 설계부터 실습 코드까지 한 번에 정리합니다

카메라 이미지에서 선이나 원 같은 기하학적 구조를 안정적으로 뽑아내려면, 엣지 추출만으로는 부족하다는 경험을 하게 됩니다.
노이즈가 섞이거나 조명이 불균일하면 임계값이 흔들리고, 얇은 선이나 흐릿한 원은 쉽게 놓치죠.
이럴 때 허프 변환은 좌표 공간을 매개변수 공간으로 바꿔 의미 있는 패턴을 통계적으로 찾아내며, OpenCV에서는 HoughLines, HoughLinesP, HoughCircles라는 형태로 손쉽게 사용할 수 있습니다.
현업 컴퓨터비전 파이프라인에서도 라인 피팅, 차선 인식, 원형 마커 감지에 널리 쓰이며, 파라미터만 이해하면 재현성이 높습니다.
이 글은 실제 프로젝트에서 바로 적용할 수 있도록 핵심 개념과 안전한 기본값, 그리고 디버깅 포인트를 친근한 언어로 풀어 설명합니다.

핵심은 간단합니다.
엣지와 코너 정보를 바탕으로 허프 공간에 누적된 투표를 해석하고, 상황에 맞는 변형을 고르는 것입니다.
무조건 강한 임계값을 주기보다, Canny나 가우시안 블러 같은 전처리로 신호 대 잡음비를 끌어올리고 누적 임계값과 최소 거리, 최소 선분 길이처럼 결과를 좌우하는 파라미터를 구조적으로 조정해야 합니다.
또한 원 검출에서는 해상도 축소 비율과 원 반경 범위를 합리적으로 제한하는 것이 속도와 정확도를 동시에 잡는 열쇠가 됩니다.
아래 목차에 따라 개념에서 실습까지 차근차근 정리했습니다.

🧭 허프 변환 개념과 라인·원 검출 흐름

허프 변환은 이미지의 에지 좌표를 직선이나 원 같은 기하학적 형태의 매개변수 공간으로 옮겨 다수의 투표가 모인 지점을 찾는 방식입니다.
픽셀 공간에서 애매하고 끊긴 선도, 매개변수 공간에선 뚜렷한 피크로 드러나므로 노이즈나 부분 가림에 강합니다.
OpenCV는 직선 검출용 HoughLines와 HoughLinesP(확률적, 선분 제공), 원 검출용 HoughCircles를 제공합니다.
핵심 흐름은 에지 강조 → 허프 누적 → 임계값 기반 피크 선택 → 결과 후처리 순입니다.

직선의 경우 점(x, y)는 ρ = x·cosθ + y·sinθ 관계를 만족하는 모든 (ρ, θ)로 변환되고, 여러 점이 한 직선에 속하면 동일한 파라미터에 투표가 누적됩니다.
원은 중심(a, b)와 반지름r을 매개변수로 하며, 에지 점들로부터 가능한 중심 후보에 투표가 쌓여 원의 중심과 반지름을 결정합니다.
안정적인 결과를 위해선 입력을 그레이스케일, 가우시안 블러, Canny 에지까지 정리하고, 누적 임계값을 데이터 분포에 맞게 조정하는 것이 중요합니다.

# 허프 변환 공통 파이프라인 (개념 요약)
입력 이미지 → 그레이스케일 → 가우시안 블러(노이즈 저감)
→ Canny 에지(또는 Sobel/라플라시안) → 허프 누적 공간 생성
→ 임계값 이상 피크 추출 → 직선(ρ,θ 또는 선분) / 원(a,b,r) 산출
→ ROI/기하 제약/길이·반지름 필터로 후처리

💬 허프 변환은 개별 픽셀의 불확실성을 매개변수 공간의 집단적 신뢰로 바꾸는 전략입니다.
누적 히트맵에서의 피크는 형태의 존재에 대한 강력한 증거가 됩니다.

• 🛠️전처리: 균일한 블러(예: Gaussian 3×3~7×7)로 잡음을 줄여 에지 검출의 안정성을 확보합니다.
• ⚙️에지: Canny 하한·상한 임계값을 이미지 대비에 맞춰 조정하고, 필요 시 히스토그램 평활화를 병행합니다.
• 📏기하 제약: 기대 각도(예: 차선은 20~70°), 길이, 반지름 범위를 제한해 오탐을 줄입니다.
• 🚀성능: 해상도가 높다면 축소 이미지에서 후보를 찾고, 원본에서 정밀 재평가하는 2단계 접근이 유용합니다.

오탐을 줄이는 파라미터 선택의 핵심 요령

🧪 HoughLines와 HoughLinesP 차이와 파라미터

OpenCV의 HoughLines 함수는 무한 직선을 반환하는 전통적인 허프 변환 방식입니다.
각 직선은 극좌표 (ρ, θ)로 표현되며, 결과는 모든 이미지 영역을 가로지르는 긴 선으로 표시됩니다.
이에 반해 HoughLinesP는 확률적 허프 변환으로, 실제로 존재하는 선분의 시작점과 끝점을 직접 제공합니다.
따라서 후처리 과정이 단순해지고, 차선 인식이나 문서 스캔처럼 실제 구간을 표시해야 하는 작업에 적합합니다.

두 함수의 동작 원리는 동일하게 누적 공간을 사용하지만, 출력 형태와 파라미터 선택에서 차이가 큽니다.
HoughLines는 누적 임계값만 조정하면 되지만, HoughLinesP는 최소 선분 길이와 최대 간격을 지정해야 결과가 의미 있게 나옵니다.
즉, 긴 직선을 잡고 싶으면 최소 길이를 크게, 작은 구간까지 잡고 싶으면 값을 작게 두어야 합니다.

import cv2
import numpy as np

# 이미지 불러오기
img = cv2.imread("road.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)

# HoughLines (무한 직선)
lines = cv2.HoughLines(edges, 1, np.pi/180, 150)

# HoughLinesP (유한 선분)
linesP = cv2.HoughLinesP(edges, 1, np.pi/180, 100,
                         minLineLength=80, maxLineGap=10)

💬 문서 인식에서는 HoughLines로 직각 구조를 찾고, 도로 차선 검출처럼 구간이 중요한 경우엔 HoughLinesP를 쓰는 것이 일반적입니다.

• 📏rho: 거리 해상도(픽셀 단위). 일반적으로 1 픽셀.
• 📐theta: 각도 해상도(라디안). 보통 np.pi/180 (1도).
• ⚙️threshold: 누적 투표 임계값. 높을수록 강한 선만 검출.
• 🛠️minLineLength (P 전용): 최소 선분 길이.
• 🔗maxLineGap (P 전용): 끊긴 에지를 이어줄 최대 간격.

⚪ HoughCircles로 원 검출 정확도 높이는 법

원 검출은 직선 검출보다 계산량이 많습니다.
이유는 원을 정의하려면 중심 (a, b)와 반지름 r이라는 3차원 파라미터 공간을 탐색해야 하기 때문입니다.
OpenCV의 HoughCircles는 그라디언트 기반 검출 방식을 사용해 성능을 개선했고, 파라미터 조합만 잘 맞추면 흐릿한 동전이나 물체도 안정적으로 인식합니다.

일반적인 호출은 다음과 같습니다.
cv2.HoughCircles(image, method, dp, minDist, param1, param2, minRadius, maxRadius).
여기서 dp는 누적 해상도 비율, minDist는 원 사이 최소 거리, param1은 Canny 상한값, param2는 누적 임계값입니다.
또한 반지름 최소·최대를 지정하면 불필요한 후보가 줄어 속도와 정확도 모두 개선됩니다.

import cv2
import numpy as np

img = cv2.imread("coins.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.medianBlur(gray, 5)

circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp=1.2,
                           minDist=30, param1=100, param2=40,
                           minRadius=10, maxRadius=80)

if circles is not None:
    circles = np.uint16(np.around(circles))
    for (x, y, r) in circles[0, :]:
        cv2.circle(img, (x, y), r, (0, 255, 0), 2)

💬 원 검출이 잘 되지 않는다면, 반지름 범위를 좁히고 minDist를 조정하여 후보를 분리하는 것이 가장 효과적인 접근입니다.

• 🎯dp: 누적 해상도 비율 (1 이상). 1.2~2 권장.
• 📏minDist: 원 중심 간 최소 거리. 너무 작으면 중복 검출 발생.
• ⚙️param1: Canny 상한값. 일반적으로 100~200.
• 🔗param2: 누적 임계값. 낮추면 민감해지고, 높이면 안정적.
• ⭕minRadius/maxRadius: 관심 반지름 범위 지정으로 속도와 정확도 향상.

🧰 실습 코드 예제와 주석으로 이해하기

허프 변환의 개념을 실제 코드로 옮겨보면 구조가 한눈에 들어옵니다.
OpenCV는 파라미터를 다양하게 지원하지만, 기본 흐름은 이미지 불러오기 → 전처리 → 에지 검출 → 허프 변환 → 시각화입니다.
아래 예제는 도로 차선을 HoughLinesP로 검출하고, 동전 이미지를 HoughCircles로 탐지하는 과정을 주석과 함께 담았습니다.

import cv2
import numpy as np

# 1. 도로 차선 검출 (HoughLinesP)
road = cv2.imread("road.jpg")
gray = cv2.cvtColor(road, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)

# HoughLinesP: rho=1, theta=1도, threshold=80, minLineLength=50, maxLineGap=20
linesP = cv2.HoughLinesP(edges, 1, np.pi/180, 80,
                         minLineLength=50, maxLineGap=20)

for (x1, y1, x2, y2) in linesP[:, 0]:
    cv2.line(road, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 2. 동전 원 검출 (HoughCircles)
coins = cv2.imread("coins.jpg")
gray_c = cv2.cvtColor(coins, cv2.COLOR_BGR2GRAY)
gray_c = cv2.medianBlur(gray_c, 5)

circles = cv2.HoughCircles(gray_c, cv2.HOUGH_GRADIENT, dp=1.2,
                           minDist=30, param1=100, param2=40,
                           minRadius=10, maxRadius=80)

if circles is not None:
    circles = np.uint16(np.around(circles))
    for (x, y, r) in circles[0, :]:
        cv2.circle(coins, (x, y), r, (255, 0, 0), 2)

코드를 실행하면 차선은 초록색 선분으로, 동전은 파란색 원으로 표시됩니다.
이때 선분 검출과 원 검출 모두 Canny 파라미터와 허프 파라미터에 따라 결과가 크게 달라지므로, 직접 수치를 조정해보는 것이 가장 좋은 학습 방법입니다.

🛠️ 실패 사례 디버깅 체크리스트

허프 변환은 전처리와 파라미터에 민감하기 때문에, 결과가 기대와 다를 때 원인을 체계적으로 좁혀야 합니다.
실패 유형은 크게 미검출, 과검출, 위치·반지름 오차, 성능(속도) 저하로 구분할 수 있습니다.
아래 체크리스트와 표를 따라가면, 어디에서 신호가 약해졌는지, 임계값이 과도한지, 또는 기하 제약이 부족한지를 빠르게 확인할 수 있습니다.
특히 에지 단계에서의 작은 개선이 누적 공간의 피크 품질을 크게 끌어올리므로, 먼저 입력 대비와 노이즈를 안정시키는 데 집중하세요.

• 🔍에지 품질 점검: 블러(3×3~7×7) 후 Canny 하·상한이 이미지 대비에 맞는지 확인합니다.
• 🧭관심 각도·반지름 제약: 기대 범위를 좁혀 누적 투표를 집중시킵니다.
• ⚙️threshold와 param2 조절: 낮추면 민감도↑ 오탐↑, 높이면 안정도↑ 누락↑.
• 📏HoughLinesP의 minLineLength·maxLineGap이 과도하지 않은지 확인합니다.
• 🚫강한 텍스처·그림자에는 ROI나 마스크로 배경 투표를 차단합니다.
• ⚡속도 저하 시 리사이즈→후보→원본 정밀화의 2단계 전략을 씁니다.

# 파라미터 스윕으로 감도 맵 확인 (요약)
def sweep_linesP(edges):
    import cv2, numpy as np
    best = None
    for th in [50, 80, 100, 120]:
        for minL in [20, 40, 60, 80]:
            for gap in [5, 10, 15]:
                lines = cv2.HoughLinesP(edges, 1, np.pi/180, th, minLineLength=minL, maxLineGap=gap)
                score = 0 if lines is None else len(lines)
                best = max(best, (score, th, minL, gap)) if best else (score, th, minL, gap)
    return best  # (검출개수, threshold, minLineLength, maxLineGap)

💬 디버깅은 입력 신호→에지→허프 누적→후처리 순으로 ‘어디에서 정보가 사라졌는지’를 역추적하는 과정입니다.

실무에서 자주 쓰는 ROI 마스킹 패턴 보기

❓ 자주 묻는 질문 (FAQ)

🧩 프로젝트에 바로 쓰는 허프 변환 핵심 요약

허프 변환은 에지 포인트를 매개변수 공간으로 옮겨 다수의 투표가 모이는 피크를 찾아 직선과 원을 검출합니다.
OpenCV에서는 HoughLines로 무한 직선을, HoughLinesP로 실제 선분을, HoughCircles로 원을 탐지할 수 있습니다.
안정적인 결과의 비밀은 전처리에 있습니다.
그레이스케일과 블러로 노이즈를 줄이고, Canny 임계값을 이미지 대비에 맞추며, ROI와 각도·반지름 제약으로 배경 투표를 억제합니다.
라인은 rho, theta, threshold로 감도를 잡고, HoughLinesP에서는 minLineLength와 maxLineGap을 함께 조절해 실용적인 선분만 남깁니다.
원 검출은 dp, minDist, param1·param2, 반지름 범위를 합리적으로 묶어 속도와 정확도를 동시에 확보합니다.
검출 실패 시에는 입력 에지→누적→후처리 순으로 병목을 추적하고, 파라미터를 소폭 스윕해 민감도 곡선을 파악하세요.
실무에서는 해상도 축소로 후보를 찾고 원본에서 재평가하는 2단계 전략이 비용 대비 효과가 큽니다.

🏷️ 관련 태그 : OpenCV, 파이썬, 허프변환, HoughLines, HoughLinesP, HoughCircles, 에지검출, 직선검출, 원검출, 컴퓨터비전