基于改进Hough变换的图像线段特征提取
HOG特征提取必读
HOG特征提取必读HOG（Histogram of Oriented Gradients）特征提取算法是一种有效的图像特征描述方法，广泛应用于计算机视觉领域。
本文将介绍HOG特征提取的原理和步骤，并结合实例进行详细说明。
一、HOG特征提取原理HOG特征提取算法基于以下观察：图像的边缘和纹理信息往往由局部梯度方向组成，而且人类视觉系统对于这些梯度方向的变化很敏感。
因此，通过提取图像中的局部梯度方向和计算其直方图，可以得到一种有效的图像特征描述方法。
二、HOG特征提取步骤1. 计算图像梯度：首先，对输入图像进行灰度化处理，然后使用一阶差分滤波器（如Sobel算子）计算图像的梯度幅值和方向。
梯度幅值用于后续计算梯度方向的强度。
2.划分图像为小块：将图像划分为若干个小块，通常为16x16像素大小的小块。
这样可以保证每个小块中有足够多的局部梯度方向信息，以便于后续计算直方图。
3.统计每个小块的梯度方向直方图：对于每个小块，统计其中所有像素的梯度方向，并将其分配到若干个方向区间（如9个方向区间）。
然后，统计每个方向区间内像素数量，并得到梯度方向的直方图。
4.归一化特征：对于每个小块，将其梯度方向直方图进行归一化处理，以消除光照变化等因素对特征的影响。
常用的归一化方法包括L2范数归一化和L1范数归一化。
5.特征向量拼接：将所有小块的归一化特征向量按顺序拼接成一维向量，作为整个图像的特征向量表示。
三、HOG特征提取实例下面通过一个实例来演示HOG特征提取的过程。
假设我们有一张大小为128x128像素的图像。
首先，将图像进行灰度化处理。
然后，将图像划分为8x8像素的小块，共有16个小块（8行x8列）。
接下来，计算每个小块中像素的梯度幅值和方向。
然后，统计每个小块的梯度方向直方图。
假设我们将梯度方向划分为9个方向区间（0°-20°，20°-40°，...，160°-180°），并统计每个方向区间内像素数量。
基于Hough变换的道路边界提取方法
基于Hough变换的道路边界提取方法摘要：本文利用 matlab7.0软件开发平台工具，采用hough变换等技术手段在图片上进行线性构造信息提取，为今后的研究部署工作提供参考。
但hough变换存在一定的局限性，如对影像分割依赖性大、受非道路因素影响大等。
本文首先利用道路种子点处的光谱信息进行道路区域的生长, 提取光谱信息一致的道路区域,得到一个包含道路信息的二值影像，然后对此二值影像进行滤波，在提取出的道路条状区域的基础上, 根据道路具有的形状特点,利用形态学进行细化和一定次数的形态修剪处理, 得到单像素宽的道路中心线信息。
最后对图像进行基于hough变换的线性特征提取，文章对高分辨率航空遥感影像进行了实验验证了该方法的有效性[1-3]。
关键词:线性特征提取,hough变换,matlaba road edge detection algorithm based on the hough transform qiu zhiweili yan(henan university of urban construction, pingdingshan 467036, china)aqiuzhiwei-2008@, bliyan0502@abstract: by using the road seed point spectrum information in this paper firstly, the relevant road information can be extracted from the spectral information consistent with the road area, road information including two value image can beacquired, and then this two value image filtered, in the extracted road strip on a regional basis according to the road shape characteristics, using morphological thinning and a certain number of form pruning treatment, a single pixel wide road center line information can be extracted. the last image based on hough transform linear feature extraction, the high resolution remote sensing image experiments were carried out to verify the validity of the method[1-3].key words: hough transformation, road edge detection项目来源：河南城建学院科学研究基金项目：利用d-insar技术研究城市沉陷监测及矿区环境影响评价分析。
霍夫变换线段检测原理
霍夫变换（Hough Transform）是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。
对于线段检测，霍夫变换的基本原理是将原始的二维图像空间转换为参数空间，然后通过在参数空间中进行投票来检测线段。
具体来说，对于直线检测，我们可以使用霍夫变换将原始的笛卡尔坐标系中的点转换为极坐标系中的参数（r，θ），其中r表示原点到直线的垂直距离，θ表示直线与x轴的夹角。
然后，我们可以通过在参数空间中进行投票来检测直线。
具体步骤如下：
边缘检测：首先对原始图像进行边缘检测，提取出图像中的边缘像素点。
参数空间转换：将边缘像素点从原始的二维图像空间转换到参数空间，即极坐标系中的(r，θ)参数。
投票过程：在参数空间中为每个边缘像素点进行投票。
投票的方式可以是累加器数组的形式，其中每个元素对应一个可能的参数值（r，θ）。
当一个边缘像素点转换到参数空间后，就在对应的累加器数组元素上加一。
阈值处理：设置一个阈值，当累加器数组中的某个元素的值超过阈值时，就认为该直线存在。
直线拟合：对于检测到的直线，可以使用最小二乘法等拟合算法来拟合直线方程。
通过以上步骤，就可以使用霍夫变换检测图像中的线段了。
该方法可以有效地排除噪声和其他非线段物体的干扰，准确提取出图像中的线段。
hog特征提取
HOG (Histogram of Oriented Gradients) 特征提取是一种常用的图像特征提取技术，主要用于目标检测和人脸识别等领域。
HOG 特征提取的基本思想是通过计算图像像素点的梯度方向和大小来描述图像的纹理特征。
具体来说，HOG 特征提取包括以下几个步骤:
1 图像灰度化：将彩色图像转换为灰度图像。
2 计算图像梯度：计算图像每个像素点的梯度方向和大小。
3 划分区块：将图像划分为若干个区块，每个区块对应一个HOG
特征向量。
4 计算HOG 特征向量：对于每个区块，计算其HOG 特征向量，
该特征向量由每个区块中梯度方向的直方图组成。
5 归一化：对每个HOG 特征向量进行归一化处理，使得每个特
征向量的模长为1.
HOG特征具有较高的纹理描述能力，并且能够有效抵抗图像的尺度、旋转、亮度、对比度等变化，因此在目标检测和人脸识别等领域中应用广泛.
HOG特征提取的优点之一是能够有效抵抗图像的尺度、旋转、亮度、对比度等变化，这是因为HOG特征是基于图像的纹理信息提取的，而纹理信息不太受图像变化的影响。
HOG特征还具有较高的纹理描述能力，能够有效地捕捉图像中的纹理信息，并且HOG特征是基于局部信息的，因此能够有效地描述目标的形态和姿态。
由于HOG特征具有较高的鲁棒性和纹理描述能力，因此在目标检测和人脸识别等领域中应用广泛，可以使用在不同的应用场景中，如车辆检测，人脸识别，行人检测等
然而，HOG特征也存在一些缺点，如对于一些细节不够丰富的图像，HOG特征可能不能很好地描述图像中的纹理信息。
基于改进的Hough变换图像分割方法
基 金 项 目 ： 东 省 重 点 攻 关 项 目 （ ｏ ９ Ｂ １ ０ Ｇ） 广 Ｎ ．９ ０ ９ １
中 图 分 类 号 ： Ｐ ９ ． Ｔ ３ １４
文献标 识码 ： Ａ
用 ，和 ０两 个 参 数 确 定 下 来 ， 中 ｒ为 直 线 到 原 一 其
１ 引 言
图 像 分割 的 目的在 于根 据某 些 特 征将 一 幅图 像 分成 若 干有 意 义 的 区域 ， 得 这 些 特 征 在 某 一 使 区域 内表 现 一 致 或 相 似 ， 在 不 同 区域 间表 现 出 而
基 本 思 想是 点 一线 的对 偶 性 ， 图 像 空 间共 线 的 即 点 对应 在 参 数 空 间里 相交 的线 ； 反过 来 ， 参 数 空 在 间 中相交 于 同 一个 点 的所 有直 线 在 图像 空 间 里都
有共 线 的 点 与 之 对 应 。人 们 通 常 把 Ｈｏ ｇ ｕ ｈ变 换
文 章编号
１ ０ ．２ Ｘ（ ０ ２ ０ ． ２ ７０ ０ ４ ９ ４ ２ ０ ） ３０ ５ ． ４
基 于 改 进 的 Ｈｏ ｇ ｕ ｈ变 换 图 像 分 割 方 法
刘桂雄 ， 申柏华， 冯云庆 ， 胡存银 ， 易静蓉
（ 华南理工大学 机 电工程系光机电一体化研究所， 东 广州 ５０ ４ ） 广 １６０
明显 的 不 同 。多 年 来 ， 经 提 出 了许 多 不 同类 型 已 的 图像分 割 方 法 ， 同 的 方 法 适 合 不 同 的应 用 场 不
点 的距 离 ， ０确定 了直 线 的 方位 ， 于 图像 空 间任 对 意点 （ ｙ ｚ， ），其 函数 关 系 为 ：
， ＝ ｚ ｃ ｓ ＋ ｙｓｎ０ ． ｏＯ ｉ
（ ，一， 而 把 该直 线 检 测 出来 。 ０， 从 ） 从上 面看 出 ， ｏ ｇ Ｈ ｕ ｈ变 换 具 有 明 了 的 几 何 解 析 性 、 定 的抗 干 扰 能 力 和 易 于 实 现 并行 处 理 等 一 特点 。但 也 存 在局 限性 ， 要 表 现在 ： 主 １ 仅 能 指 出 图像 中某 一 条 直线 （ 曲线 ） ） 或 的存 在 ， 能 指 出它 的端 点及 长 度 ， 未 而在 实 际应 用 中 ， 种从 图 像 空 间 到 参 数 空 间 的 映 射 关 系 Ｌ 。其 １ Ｊ
houghlines原理
houghlines原理Houghlines原理Houghlines是一种图像处理算法，用于检测图像中的直线。
它的原理基于数学变换，可以对图像中的像素点进行处理，从而得到直线的参数。
本文将介绍Houghlines的原理及其在图像处理中的应用。
一、Hough变换的基本原理Hough变换是一种将图像空间中的像素点映射到参数空间中的方法。
在Houghlines中，我们将图像中的每一个像素点表示为(x,y)的形式，其中x和y分别表示像素点在图像中的坐标。
对于一条直线，可以使用两个参数来表示，分别是斜率k和截距b。
因此，我们可以将直线的参数空间定义为(k,b)的形式。
在Hough变换中，对于图像中的每一个像素点(x,y)，我们可以通过变换得到一个参数空间中的曲线。
具体来说，对于参数空间中的每一对参数(k,b)，通过计算可以得到该直线在图像空间中经过的像素点的数量。
这样，我们就得到了一个参数空间中的曲线，曲线上的每一点表示了一个直线的参数。
二、Houghlines的实现过程Houghlines的实现过程可以分为以下几个步骤：1. 边缘检测：首先，我们需要对图像进行边缘检测，将图像中的边缘提取出来。
常用的边缘检测算法有Sobel算法和Canny算法。
2. Hough变换：对于边缘检测得到的图像，我们需要对每一个边缘点进行Hough变换，得到直线在参数空间中的曲线。
3. 直线提取：在参数空间中，我们可以通过阈值来提取出曲线上的峰值点，这些峰值点对应的直线就是我们要检测的直线。
4. 直线绘制：最后，我们可以将检测到的直线绘制在原始图像上，以便观察和分析。
三、Houghlines的应用Houghlines广泛应用于计算机视觉和图像处理领域。
它可以用于检测图像中的直线，从而实现目标检测、图像分析和模式识别等任务。
下面介绍一些常见的应用场景：1. 道路检测：在自动驾驶系统中，Houghlines可以用于检测道路的边界线，从而帮助车辆进行导航和路径规划。
基于改进Hough变换的指针式仪表识别方法
第３６卷㊀第８期２０２１年８月㊀㊀㊀㊀㊀㊀㊀液晶与显示㊀㊀㊀C h i n e s e J o u r n a l o fL i q u i dC r y s t a l s a n dD i s p l a ys ㊀㊀㊀㊀㊀V o l ．３６㊀N o ．８㊀A u g．２０２１㊀㊀收稿日期:２０２０Ｇ０７Ｇ１１;修订日期:２０２１Ｇ０１Ｇ０９．㊀㊀基金项目: 十三五 江苏省重点学科项目(N o ．２０１６８７６５);江苏省研究生工作站项目(N o ．２０１７２７２)S u p p o r t e db y T h i r t e e n t hF i v e ＧY e a r P l a n J i a n g s uP r o v i n c eK e y D i s c i p l i n e P r o j e c t (N o ．２０１６８７６５);J i a n gＧs uP r o v i n c eG r a d u a t eW o r k s t a t i o nP r o je c t (N o ．２０１７２７２)㊀㊀∗通信联系人,E Ｇm a i l :d o n gx f a ＠m a i l ．u s t s ．e d u ．c n 文章编号:１００７Ｇ２７８０(２０２１)０８Ｇ１１９６Ｇ０８基于改进H o u gh 变换的指针式仪表识别方法李㊀娜１,王㊀军１,２,董兴法１∗,石绍鹏１(１．苏州科技大学电子信息工程学院,江苏苏州２１５００９;２．中国科学院长春光学精密机械与物理研究所,吉林长春１３００３３)摘要:为解决指针式仪表自动识别系统中,光照不均匀㊁精确度不高等问题,提出一种O t s u 算法和改进的H o u g h 算法对仪表图像进行处理.首先预处理仪表图像,增强仪表指针区域特征,O t s u 算法进行图像二值化,分割出仅属于指针的像素;再进行改进的H o u g h 变换检测指针,通过快速提取表盘指针连通区域的中心像素点,结合表盘圆心约束,对提取过的像素点进行双阈值H o u g h 变换直线检测.实验结果表明,提出的算法识别仪表读数最大相对误差为４．７６％左右,满足系统精确度要求.关㊀键㊀词:指针式仪表;O s t u 算法;圆心约束;H o u gh 变换中图分类号:T P ３９１．４㊀㊀文献标识码:A㊀㊀d o i :１０．３７１８８/C J L C D．２０２０Ｇ０１７９P o i n t e rm e t e r r e c o gn i t i o nm e t h o db a s e d o n i m p r o v e dH o u gh t r a n s f o r m L IN a １,WA N GJ u n １,２,D O N G X i n g Ｇf a １∗,S H I S h a o Ｇp e n g１(１．S c h o o l o f E l e c t r o n i c a n dI n f o r m a t i o nE n g i n e e r i n g ,S u z h o uU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,S u z h o u ２１５００９,C h i n a ;２．C h i n e s eA c a d e m y o f S c i e n c e ,C h a n g c h u nI n s t i t u t e o f O pt i c s ,F i n eM e c h a n i c s a n dP h y s i c s ,C h a n gc h u n １３００３３,C h i n a )A b s t r a c t :I n o rde r t o s o l v e t h e p r o b l e m s of u n e v e n i l l u m i n a t i o n a n d l o wa c c u r a c y i n t h e a u t o m a t i c r e c Ｇog n i t i o ns y s t e mo f p o i n t e r i n s t r u m e n t s ,a nO t s u a l g o r i th ma n d a ni m p r o v e dH o u g h a l go r i t h ma r e p r o Ｇp o s e d t o p r o c e s s t h e i n s t r u m e n t i m a g e ．F i r s t l y ,t h e i n s t r u m e n t i m a g e i s p r e pr o c e s s e d t oe n h a n c e t h e c h a r a c t e r i s t i c s o f t h e i n s t r u m e n t p o i n t e r a r e a ,O t s u a l g o r i t h m p e r f o r m s t h e i m a g e b i n a r i z a t i o n t o s e gＧm e n t p i x e l s t h a t o n l y b e l o n g t o t h e p o i n t e r ,a n d t h e i m p r o v e dH o u gh t r a n s f o r mi s p e r f o r m e d t o d e t e c t t h e p o i n t e r ．B yq u i c k l y e x t r a c t i n g t h e c e n t e r p i x e l p o i n t o f t h e d i a l p o i n t e r ＇s c o n n e c t e d a r e a ,c o m b i n e d w i t h t h e d i a l c e n t e r c o n s t r a i n t ,t h e d o u b l e t h r e s h o l dH o u g h i s p e r f o r m e do n t h e e x t r a c t e d p i x e l po i n t t r a n s f o r ms t r a i g h t l i n e d e t e c t i o n ．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h e p r o p o s e da l go r i t h m d e t e c t s t h e m e t e r r e a d i n g e r r o r a t a b o u t ４．７６％,w h i c hm e e t s t h e s y s t e ma c c u r a c y r e qu i r e m e n t s ．. All Rights Reserved.K e y w o r d s:p o i n t e r i n s t r u m e n t;O s t ua l g o r i t h m;c e n t e r c o n s t r a i n t;H o u g h t r a n s f o r m１㊀引㊀㊀言㊀㊀由于指针式仪表易实现㊁维护成本低等特点,所以常用于电力㊁化工㊁石油等行业.变电站电力系统常处于高压危险的环境中,人工读取仪表示数具有工作量大㊁容易疲劳的缺点,导致识别效率低㊁误差大㊁危险系数高,因此利用机器视觉㊁图像处理等手段,自动检测仪表位置和读取仪表示数,提高了读取仪表示数的准确度[１Ｇ２].目前国内仪表读数识别系统究存在识别速度慢㊁识别数值不精确等问题,还需进一步完善.目前研究人员对仪表识别提出了一些研究算法.李全鹏等提出一种基于三次样条插值的指针式仪表图像分割方法,提取包含指针的圆形区域作为信息图,对信息图进行图像分割,有效解决了指针阴影问题[３].Z h e n g等提出一种基于H o u g h变换的读数识别方法,利用H o u g h变换读取角度识别的原理,对仪表指针角度与刻度的线性关系进行计算示数,但该方法H o u g h变换计算量大㊁识别速度慢的缺点[４].童伟圆等建议使用不同参数的模板来匹配指针,克服了不均匀照明㊁背景干扰㊁影响因素,但这种方法对实际应用没有优势,应用复杂,识别准确性不高[５].钟志伟等提出了累计概率霍夫变换方法识别仪表,较好地解决了光照不均匀问题,但还存在参数难调㊁计算量大㊁识别速度慢等问题[６].Y a n g提出了一种基于圆的区域累积直方图(C R H)方法来精确定位指针,对照明具有鲁棒性[７].本文提出一种改进的H o u g h变换算法提取仪表指针,采用O t s u算法自适应阈值分割仪表图像,舍弃较小像素值,反复计算分割阈值,从而获得最佳二值图像,能较好地解决不均匀光照问题,再通过改进H o u g h变换算法结合圆心约束检测仪表指针中心像素点.该算法对于指针式仪表检测识别具有准确性高和速度快的优点.２㊀仪表图像识别算法流程根据仪表图像特点,对采集到的图像进行预处理,排除仪表图像中其他物品干扰,增强仪表指针区域特征.使用O t s u算法分割出仅属于指针区域的像素,再使用改进的H o u g h检测仪表指针,然后根据角度法计算输出仪表示数.具体算法流程如图１所示.图１㊀算法流程图F i g１㊀A l g o r i t h mf l o wc h a rt图２㊀高斯滤波后的图像F i g．２㊀G a u s s i a n f i l t e r e d i m a g e２．１㊀仪表图像预处理在变电站电力系统中,通过高清摄像头采集图像,通过无线传输将仪表图像传给电脑进行图像处理[８],由于光照强度不同㊁背景干扰等外围环境的不定因素,采集到的图像中会包含大量噪声.７９１１第８期㊀㊀㊀㊀㊀李㊀娜,等:基于改进H o u g h变换的指针式仪表识别方法. All Rights Reserved.因此对采集的图像进行预处理,通过图像灰度㊁滤波㊁增强来突出仪表指针特征[９].图像滤波采用高斯滤波,对仪表图像有较好的滤波效果,如图２所示,采用灰度拉伸的形态学黑帽运算增强图像对比度,如图３所示.图３㊀形态学黑帽运算F i g．３㊀M o r p h o l o g y b l a c kh a t o p e r a t i o n ２．２㊀仪表图像二值化由于采集到的仪表图像受光照强度的影响,图片的明暗程度不一样,因此本文采用最大类间方差(O t s u)方法[１０]进行自适应二值化处理.假设前景与后景的分割阈值为T,前景像素点数占图像像素比例为ω０,平均灰度为μ０,后景像素点数占图像像素比例为ω１,平均灰度为μ１,图像的总平均灰度为μ,前景与后景的类间方差为δ,表达式如公式(１)㊁(２)所示.μ＝ω０ˑμ０＋ω１ˑμ１,(１)δ＝ω０ˑ(μ－μ０)２＋ω１ˑ(μ－μ１)２㊀,(２)当式(２)中的δ达到最大值时,对应的T就是最佳分割阈值.根据指针式仪表图像特点,指针区域与背景区域有明显区别,因此可以舍弃影响指针区域分割的背景区域像素值,重复使用O t s u算法,来获取最佳阈值,具体实施步骤如下:(１)对于图像hˑw,将图像的平均灰度值μ作为初始阈值T,进行图像分割.(２)针对不同光线的图像使用O t s u分割处理,记录其最佳类间方差值,相近的类间方差计算平均值,这些平均值在一定区间内表示为d[d１, d２],如果类间方差在d范围内,则现在二值图像是最佳二值图像,否则做第三步.(３)使用初始阈值T进行分割后,记录此时的前景ω０和背景ω１的像素位置,舍弃ω１的像素值,将第一次分割后前景ω０的图像,再次使用O t s u得到分割阈值T.重复步骤(２)直到O t s u 值在d范围内,得到最佳二值图像,如图４所示.图４㊀本文O t s u算法的二值化图像F i g．４㊀O t s ua l g o r i t h mb i n a r y i m a g e i n t h i s p a p e r ３㊀基于H o u g h变换检测仪表指针H o u g h变换直线检测计算量较大,随着像素点数的增加,计算量也呈线性增加[１１],因此减少H o u g h变换检测的像素点数并对真正需要检测的像素点进行精准计算,是本文重点研究内容.仪表读数是以指针中心线对应的刻度数值为准[１２].在H o u g h变换直线检测中,选取指针区域的中心点,指针经过表盘圆心,这些中心点与表盘圆心有共同的偏转角度,即在极坐标中将这些中心点限定在圆点对应的曲线上.通过这些操作,可以极大地减少H o u g h变换计算量.３．１㊀H o u g h变换检测原理H o u g h变换直线检测的基本原理是:检测直线上一点对应极坐标的一条曲线,直线上所有点对应极坐标所有曲线都相交于一点,相交的这个点对应的直线就是要检测的直线[１３],如图５所示.假设在原始图像空间(x,y)直线方程为:y＝k x＋b,(３)图像空间和参数空间之间建立对偶变换:ρ＝x c o sθ＋y s i nθ,(４)８９１１㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３６卷㊀. All Rights Reserved.图５㊀直角坐标到极坐标的转换.(a )直角坐标;(b)极坐标.F i g ．５㊀C o n v e r s i o nf r o m r e c t a n gu l a rc o o r d i n a t e st o po l a r c o o r d i n a t e s ．(a )C a r t e s i a nc o o r d i n a t e s ;(b )P o l a r c o o r d i n a t e s ．H o u gh 变换直线检测转换成极坐标点的检测,只要进行点个数累加就能实现直线检测.３．２㊀表盘圆心定位对表盘圆心坐标的计算,本文提出用垂直平分线来确定表盘圆心,首先在模板图像中确定仪表盘轮廓上３点分别是A ㊁B ㊁C ,模板图像的３个点对应实时采集图像的３点,原理如图６所示.图６㊀垂直平分线确定表盘中心原理F i g ．６㊀P r i n c i pl eo f t h ev e r t i c a l b i s e c t o r t od e t e r m i n e t h e c e n t e r o f t h e d i a l连接B C 和A C ,找这两条线的垂直平分线.B C 的垂直平分线与B C 相交于点M ,A C 的垂直平分线与A C 相交于点N ,两条垂直平分线相交于一点O ,这个点O 就是仪表盘圆心,点M 和N也是圆心分别在B C 和A C 线上的投影,记A ㊁B ㊁C 坐标分别为A A X ,A Y (),B B X ,B Y (),C C X ,C Y ().因此在参数空间中相交的这一点就是圆心(ρ０,α０),计算M 和N 的坐标为:M X ＝１２A X －C X ()＋C X ㊀,(５)M Y ＝１２A Y －C Y ()＋C Y ㊀,(６)N X ＝１２B X －C X ()＋C X ㊀,(７)N Y ＝１２B Y －C Y ()＋C Y ㊀,(８)根据垂直向量相乘等于零的方法计算出圆心坐标:O M ң∗B C ң＝０,(９)O N ң∗A C ң＝０．(１０)３．３㊀改进H o u gh 变换检测指针表盘圆心定位之后,将提取的指针区域二值化图像分成若干行,对每一行像素灰度值进行检测.表盘圆心定位后,将提取的指针连通区域分成若干行,然后对每一行像素灰度值进行检测,判断是否为连通区域特征点.将每一行的特征点检测完成后,取这一行连通区域中心点,中心点选取方法如下:图７㊀目标区域中心点示意图F i g ．７㊀S c h e m a t i cd i a gr a m o f t h ec e n t e r p o i n to f t h e t a r ge t a r e a 如图７所示,假设有两条平行线l １㊁l ２,选取平行线两边同一水平线两点,分别为A ㊁B ,取A B中点P ,过P 点做一条分别垂直于l １㊁l ２的垂线,垂线的交点为C ㊁D .P D ＝P C ,P 点到两条线的距离相等,因此P 点就是我们要选取的中心点.指针区域中心点选取之后,结果如图８所示.改进的H o u g h 变换检测指针连续区域线段的中心点,结合圆心共线的方法,极大地减少了计算量,提高了检测速度.具体步骤:(１)假设输入图像h ˑw ,集合W ʂφ.(２)将前期处理过的仪表图像进检测,检测到前景的这个区域有k 段,每段像素设为a n ɪ(１,２,．．．．．．w ).９９１１第８期㊀㊀㊀㊀㊀李㊀娜,等:基于改进H o u gh 变换的指针式仪表识别方法. All Rights Reserved.图８㊀中心点选取结果图F i g．８㊀C e n t e r p o i n t s e l e c t i o n r e s u l t s (３)将每段像素a n 与这段的指针宽度像素A n比较,当a n ɤA n 时,标记第n 段的像素中心点,将这些中心点记入集合W 中.否则执行第二步.(４)将W 中的点限定在圆点对应的曲线上,进行H o u g h 变换检测.通过以上流程检测到指针后,获得指针偏转角度α,即指针与表盘零刻度的夹角.通过偏转角度与仪表示数的线性关系,计算仪表的读数.将表盘圆心设为图像直角坐标系的原点,如图９所示.图９㊀图像直角坐标系F i g ．９㊀I m a g e r e c t a n g u l a r c o o r d i n a t e s ys t e m 压力表范围为０~２．５P a,指针与x 轴之间的夹角范围为－４５ʎɤαɤ２２５ʎ.假设指针读数获得的是t ,得出以下线性关系:t ２．５＝α２７０,(１１)根据线性关系求出即为指针示数t .４㊀实验结果分析本实验运行硬件环境为以运行内存８G ,C P U为A M DF X Ｇ９８００P ,６４位w i n １０操作系统.软件环境为O pe n c v 计算机视觉库V S ２０１９运行环境.４．１㊀表盘圆心定位误差因素分析对于本文提出的方法,仪表示值准确度与圆心检测准确度相关.当拍摄角度不同时,表盘形状会更偏向于椭圆,会对表盘圆心定位的准确性产生一定影响.假设表盘轮廓长轴为a ,短轴为b ,椭圆率设为R (R ＝ab),R 与圆心坐标误差关系如图１０所示.图１０㊀椭圆率对圆心坐标偏差的影响F i g ．１０㊀I n f l u e n c e o f e l l i p t i c i t y on t h e d e v i a t i o n o f c i r Ｇc l e c e n t e r c o o r d i n a t e s图１１㊀光线暗条件下两种算法对比图F i g ．１１㊀C o m p a r i s o n o ft h et w oa l go r i t h m su n d e r d a r kc o n d i t i o n s从图１０可以看出,R 越接近于１,圆心定位越准确,R 越大则圆心坐标偏差波动越大.对于这一影响因素,圆心坐标定位后期将考虑选取多个点进行计算从减小误差.４．２㊀仪表识别实验结果采用本文所提出的算法,使用O t s u 算法进行图像二值化.分别在正常光照条件下不同角度拍摄仪表图像,光线暗亮程度都会影响仪表图像处理.图１１是在光线暗的情况下,标准O t s u 算００２１㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３６卷㊀. All Rights Reserved.法和本文提出的O t s u 算法的二值化图像比较,图１２是在光线亮的情况下,标准O t s u 算法和本文提出的O t s u 算法的二值图像比较.经过仪表图像二值化之后,利用改进H o u g h 变换结合圆心约束检测指针,结果如图１３所示.图１２㊀光线亮条件下两种算法对比图F i g ．１２㊀C o m p a r i s o n o ft h et w oa l go r i t h m su n d e r b r i g h t l i gh t c o n d i t i o ns 图１３㊀改进H o u gh 变换检测结果图㊀F i g ．１３㊀D i a g r a m o f i m p r o v e d H o u ght r a n s f o r m d e t e c t i o n r e s u l t仪表读数实验结果如表１所示.在系统中,对仪表角度识别误差要求在３ʎ以内,相对于读数要求在ʃ０．０６６７M P a 以内.改进算法的绝对误差在０．０２M P a 左右,满足系统要求,也满足仪表最小刻度０．１M P a 的精度.表１㊀仪表读数实验结果T a b ．１㊀M e t e r r e a d i n g e x p e r i m e n t r e s u l t s 实验次数人工读数/M P a 标准H o u gh 实验值/M P a绝对误差/M P a 相对误差/％改进H o u gh 检测值/M P a绝对误差/M P a 相对误差/％１０．２００．２３０．０３１３．０４０．２１０．０１４．７６２０．２５０．２１０．０４１９．０５０．２５０．０００３０．３１０．２７０．０４１４．８１０．３００．０１３．３３４０．５００．５２０．０２３．８５０．５２０．０２３．８５５０．６５０．６８０．０３４．４１０．６６０．０１１．５２６０．８９０．８３０．０６７．２３０．８７０．０２２．３０７１．２５１．２８０．０３２．３４１．２６０．０１０．７９８１．５０１．４６０．０４２．７４１．４９０．０１０．６８９１．８０１．７５０．０５２．８６１．７８０．０２１．１２１０２．１５２．１３０．０２０．９４２．１４０．０１０．４７１１２．３０２．３４０．０４１．７１２．３３０．０３１．２９㊀㊀本文对于目标区域中心点的选取,结合圆心约束的H o u g h 变换,保证了本文算法的实时性.本文算法与常用于指针式仪表识别的两种算法和文献[１４]提出的算法进行了实时性比较,如表２所示.本文算法时间降低了大约２９．４１％,识别速度更快.１０２１第８期㊀㊀㊀㊀㊀李㊀娜,等:基于改进H o u gh 变换的指针式仪表识别方法. All Rights Reserved.表２㊀不同算法实时性T a b ．２㊀R e a l Ｇt i m e p e r f o r m a n c e o f d i f f e r e n t a l go r i t h m s (s)算法指针提取时间指针定位时间总时间文献[１４]算法０．２５２０．２７１０．５２７O R B 特征提取算法０．３１６０．２５２０．５７３最大稳定极值区域(M S E R )算法０．２５３０．１９４０．４５１本文算法０．１９４０．１６３０．３７２５㊀结㊀㊀论本文利用O t s u 算法获取仪表指针二值图像和改进的H o u g h 变换处理图像.O t s u 自适应阈值分割仪表图像,放弃较小像素,通过对分割阈值的反复计算来分割出仅属于指针的像素.改进的H o u gh 变换将分割出仅属于指针的图像分成若干行,提取每行前景区域的中心点,将中心点与表盘圆心共线进行表决统计.实验结果表明,本文算法比其他算法时间降低了大约２９．４１％,仪表读数误差最大为４．７６％.改进算法减少了计算量,提高了检测速度,适用于在不同光照条件下对仪表进行均匀刻度识别,具有良好的实际应用前景.参㊀考㊀文㊀献:[１]㊀孙婷,马磊．巡检机器人中指针式仪表示数的自动识别方法[J ]．计算机应用,２０１９,３９(１):２８７Ｇ２９１．S U N T ,MA L ．A u t o m a t i c r e c o g n i t i o n m e t h o do f p o i n t e rm e t e r f o r i n s p e c t i o nr o b o t s [J ]．J o u r n a l o f Co m p u t e r A p pl i c a t i o n s ,２０１９,３９(１):２８７Ｇ２９１．(i nC h i n e s e )[２]㊀李娜,姜志,王军,等．基于F a s t e rR ＧC N N 的仪表识别方法[J ]．液晶与显示,２０２０,３５(１２):１２９１Ｇ１２９８．L IN ,J I A N GZ ,WA N GJ ,e t a l ．I n s t r u m e n t r e c o g n i t i o nm e t h o db a s e do nF a s t e rR ＧC N N [J ]．C h i n e s eJ o u r n a l o fL i q u i dC r y s t a l s a n dD i s p l a y s ,２０２０,３５(１２):１２９１Ｇ１２９８．(i nC h i n e s e )[３]㊀李全鹏,苏士美,许永波．基于三次样条插值的指针式仪表识别方法研究[J ]．电测与仪表,２０２０,５７(１):１４１Ｇ１４６．L IQP ,S US M ,X U YB ．R e s e a r c ho n p o i n t e r i n s t r u m e n t r e c o g n i t i o nm e t h o db a s e do n c u b i c s p l i n e i n t e r po l a t i o n [J ]．E l e c t r i c a lM e a s u r e m e n t&I n s t r u m e n t a t i o n ,２０２０,５７(１):１４１Ｇ１４６．(i nC h i n e s e)[４]㊀Z H E N G W B ,Y I N H T ,WA N GA Q ,e t a l ．D e v e l o p m e n t o f a n a u t o m a t i c r e a d i n g me t h o d a n d s of t w a r e f o r p o i n t Ｇe r i n s t r u m e n t s [C ]//P r o c e e d i ng s o f ２０１７F i r s t I n t e r n a t i o n a l C o n f e r e n c e o nE l e c t r o n i c s I n s t r u m e n t a t i o n &I n f o r Ｇm a t i o nS ys t e m s ．H a r b i n ,C h i n a :I E E E ,２０１７:１Ｇ６．[５]㊀童伟圆,葛一粟,杨程光,等．基于机器视觉的指针式仪表示数识别方法研究[J ]．计算机测量与控制,２０１８,２６(３):１６２Ｇ１６６．T O N G W Y ,G EYS ,Y A N GCG ,e t a l ．R e s e a r c ho n r e c o g n i t i o nm e t h o do f p o i n t e r t y pem e t e r b a s e do nm a c h i n e v i s i o n [J ]．C o m pu t e rM e a s u r e m e n t&C o n t r o l ,２０１８,２６(３):１６２Ｇ１６６．(i nC h i n e s e )[６]㊀钟志伟,张寿明．基于概率H o u gh 变换的指针仪表去影算法[J ]．传感器与微系统,２０１８,３７(６):１２６Ｇ１２８．Z HO N G Z W ,Z HA N G S M．A l g o r i t h m o f p o i n t e r i n s t r u m e n ts h a d o we l i m i n a t i o nb a s e do n p r o b a b i l i s t i c H o u gh t r a n s f o r m [J ]．T r a n s d u c e r a n d M i c r o s y s t e m T e c h n o l o gi e s ,２０１８,３７(６):１２６Ｇ１２８．(i nC h i n e s e )[７]㊀Y A N GZJ ,N I U W N ,P E N G XJ ,e t a l ．A n i m a g e Ｇb a s e d i n t e l l i g e n t s y s t e mf o r p o i n t e r i n s t r u m e n t r e a d i n g [C ]//P r o c e e d i n g s o f ２０１４４t hI E E EI n t e r n a t i o n a lC o n f e r e n c e o nI n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y ．S h e n z h e n ,C h i Ｇn a :I E E E ,２０１４:７８０Ｇ７８３．[８]㊀胡彬,江宁,潘雨．基于K A Z E 特征匹配的指针式仪表自动读数方法[J ]．仪表技术与传感器,２０１８(５):３１Ｇ３４．HU B ,J I A N G N ,P A N Y．A u t o Ｇr e a d i n g m e t h o d f o r p o i n t e rm e t e rb a s e do nK A Z Ef e a t u r em a t c h i n g [J ]．I n s t r u Ｇm e n tT e c h n i qu e a n dS e n s o r ,２０１８(５):３１Ｇ３４．(i nC h i n e s e )[９]㊀宋伟,张文杰,张家齐,等．基于指针区域特征的仪表读数识别算法[J ]．仪器仪表学报,２０１４,３５(S １２):５０Ｇ５８．２０２１㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３６卷㊀. All Rights Reserved.S O N G W,Z HA N G WJ,Z HA N GJQ,e t a l．M e t e r r e a d i n g r e c o g n i t i o nm e t h o d v i a t h e p o i n t e r r e g i o n f e a t u r e[J]．C h i n e s eJ o u r n a l o f S c i e n t i f i c I n s t r u m e n t,２０１４,３５(S１２):５０Ｇ５８．(i nC h i n e s e)[１０]㊀袁小翠,吴禄慎,陈华伟．基于O t s u方法的钢轨图像分割[J]．光学精密工程,２０１６,２４(７):１７７２Ｇ１７８１．Y U A N XC,WU LS,C H E N H W．R a i l i m a g e s e g m e n t a t i o nb a s e do nO t s ut h r e s h o l d m e t h o d[J]．O p t i c sa n d P r e c i s i o nE n g i n e e r i n g,２０１６,２４(７):１７７２Ｇ１７８１．(i nC h i n e s e)[１１]㊀WA N GC,F A N G YS,J I AL．T h e c o m p a r i s o n o f C a n n y a n d s t r u c t u r e d f o r e s t s e d g e d e t e c t i o n a p p l i c a t i o n i n p r e c iＧs i o ni d e n t i f i c a t i o no f p o i n t e r i n s t r u m e n t[C]//P r o c e e d i n g so f２０１８C h i n e s eC o n t r o lA n d D e c i s i o n C o n f e r e n c e．S h e n y a n g,C h i n a:I E E E,２０１８:６３６１Ｇ６３６５．[１２]㊀MA YF,Q I J,WA N DJJ,e ta l．A na u t o m a t i cr e a d i n g m e t h o do f p o i n t e r i n s t r u m e n t s[C]//P r o c e e d i n g so f ２０１７C h i n e s eA u t o m a t i o nC o n g r e s s．J i n a n,C h i n a:I E E E,２０１７:１４４８Ｇ１４５３．[１３]㊀HA NJL,L I E,T A OB J,e t a l．R e a d i n g r e c o g n i t i o nm e t h o d o f a n a l o g m e a s u r i n g i n s t r u m e n t s b a s e d o n i m p r o v e dH o u g h t r a n s f o r m[C]//P r o c e e d i n g s o f t h e I E E E２０１１１０t h I n t e r n a t i o n a l C o n f e r e n c e o nE l e c t r o n i cM e a s u r e m e n t&I n s t r u m e n t s．C h e n g d u,C h i n a:I E E E,２０１１:３３７Ｇ３４０．[１４]㊀施健,张冬,何建国,等．一种指针式化工仪表的远程抄表设计方法[J]．自动化仪表,２０１４,３５(５):７７Ｇ７９．S H I J,Z HA N GD,H EJG．e t a l．D e s i g no f r e m o t em e t e r r e a d i n g m e t h o d f o r p o i n t e r t y p e c h e m i c a l i n s t r u m e n t s [J]．P r o c e s sA u t o m a t i o nI n s t r u m e n t a t i o n,２０１４,３５(５):７７Ｇ７９．(i nC h i n e s e)作者简介:㊀李㊀娜(１９９５－),女,安徽阜阳人,硕士,２０２１年于苏州科技大学获得硕士学位,主要从事数字图像处理和光电信息检测的研究.EＧm a i l:２４２１６８９５３４＠q q．c om ㊀董兴法(１９６３－),男,江苏苏州人,博士,教授,２００５于南开大学获得博士学位,主要从事光电信息技术与仪器方面的研究.EＧm a i l:d o n g x f a＠m a i l．u s t s．e d u．c n３０２１第８期㊀㊀㊀㊀㊀李㊀娜,等:基于改进H o u g h变换的指针式仪表识别方法. All Rights Reserved.。
毕业设计(论文)基于hough变换的图像检测
基于HOUGH变换的图像检测摘要自从20世纪80年代以来，研究者们提出了多种圆形检测的方法，基于hough变换的累积方法是主要的方法。
基本的hough变换方法是将图像中的每一边缘点映射到参数空间的一个区域，选取累积最多的参数。
在现实生活中，由于噪音、数字化错误和图形变异等因素真实的图形经常被曲解，因此，图像在应用hough变换后，很难找到单一的峰值，这也就造成了检测的难度。
本文讨论了当前的hough变换算法及其存在的一些问题，并在hough变换的原理基础上利用圆的几何特征提出了改进算法。
重点介绍随机hough变换原理，将传统hough变换圆检测时的二维参量统计变成一维参量统计。
理论和实验证明，本课题所研发的算法具有良好的检测性能，能获得较好的检测结果。
关键字：hough变换，传统hough变换，图像检测，边缘提取Circle Detection Based on Improved Hough TransformABSTRACTThe detection of circle including camber is one of classical problems in digital image processing，and has extensive application background.Sinee1980s，researchers have provided many methods of circles detection. Hough transform is an important method. Classical Hough Transform transform edge of image to a region of parametric space，and select the most accumulated edges. In real-life images，the shapes are often distorted from their true parametric forms due to the presence of noise，digitization error and shape variations. Therefore，after apply Hough transform，it may be difficult to find out a single peak，thus it is difficult to detect image.In this paper，it discusses the current Hough transform algorithm and existing problems of the algorithm，and makes use of circle property to provide improved algorithm based on Hough transform. This paper emphasizes on introducing random Hough transform theory，takes three-dimensional parametric of the tradition Hough transform on detection of circle to one-dimensional statics of random Hough transform .Theories and experiments show that the paper presents an improved Hough transform algorithom，which has better detection performance and can get accurated result.KEYWORDS：Hough transform，tradition Hough transform ，image recongition ，edge extraction目录第1章绪论 (1)1.1 课题研究意义 (1)1.2 图像检测技术发展现状 (2)1.3 本文研究的主要内容 (3)数字图像预处理 (3)变换 (4)第2章图像预处理 (6)2.1 图像灰度化 (6)灰度图 (6)图像灰度化 (7)2.2 图像滤波 (8)噪声 (9)高斯噪声的滤波 (10)椒盐噪声的滤波 (12)基于多次中值抽取的图像双边滤波方法 (15)2.3 实验结果与分析 (16)第3章图像分割 (17)3.1 图像分割的定义 (17)3.2 图像分割算法及其分类 (18)3.3 基于阈值的分割算法 (20)3.4 基于边缘的分割算法 (21)3.4.1 边缘及检测原理 (21)3.4.2 传统的边缘检测算法 (22)第4章Hough变换 (27)4.1 Hough变换的原理 (27)4.2 Hough变换的圆检测 (27)经典的Hough圆检测 (28)快速Hough圆检测 (28)第5章实验结果与分析 (32)5.1 MATLAB介绍 (32)5.2 基于MATLAB的仿真程序及分析 (33)程序设计流程图 (33)程序设计及分析 (34)5.3 仿真结果与分析 (38)结论 (40)谢辞 (41)参考文献 (42)外文资料 (43)第1章绪论1.1 课题研究意义Hough变换。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于改进Hough变换的图像线段特征提取韩秋蕾 朱 明 姚志军(中国科学院长春光学精密机械与物理研究所图像处理室 长春 130033)摘要 为了从复杂背景中提取欲识别的目标,提出一种基于改进Ho ug h变换的图像线段特征提取方法。
针对传统Hough变换的局限性,在经典算法的基础上增加了全局阈值与局部阈值结合去除虚假尖峰,利用动态分组原则确定线段的端点,融合端点邻近的线段等改进算法。
实验表明,该方法不但可以识别简单背景中的规则几何图形,还可以有效地提取复杂背景中真实目标的线段特征。
关键词 特征提取 Houg h变换 线段检测Line Segment Feature Extraction Based on Improved Hough TransformHan Qiulei Zhu M ing Yao Zhijun(I mage Pr ocessing L abor atory,Changchun I nstitute of Op tics,Fine M echanics and Phy sics,Chinese A cad emy of S ciences,Chang chun130033,China)Abstract In order t o detect t raget s in complex environment,a line segment feat ure extract ion method is pro-posed.T he algorithm is based on t he analysis of limitations of traditional Hough transf orm.It consist s of elimi-nating spurious peaks according t o global and local t hresholds,fixing on endpoint s according t o dynamic clust er-ing rule,merging line segments wit h near endpoint s.Experiment result s show t he approach not only can recog-nize regular geomet ric f orm in simple environment but also can ext ract the line segment feat ures of real t arget s in complex environment.Key words Feature ext ract ion Hough t ransform Line seg ment det ection1 引 言如何从复杂背景中提取欲识别的目标是一个重要的计算机视觉问题。
由于真实的自然场景中除了欲提取的目标外,往往还包含其它人造物体及自然景物,传统的基于黑白两种目标的跟踪识别方法适用范围十分有限,难以将复杂背景中的目标与其它运动物体及背景有效地区别开,所以有必要找到一种可以在复杂背景中稳定准确地提取目标特征的方法。
边缘包含了目标形状信息中非常有意义的部分,可以用来准确地探测、识别和确认目标,是最为常用的图像特征之一。
正是因为这个原因,人们研究了很多边缘检测的方法。
但是大多数方法是基于诸如L aplace或Sobel这样特定的局部算子的。
这些算子容易受噪声的影响,更重要的是,它们都产生边缘的图像表示,而不是边缘的符号表示。
直线,特别是线段,有着简单的几何特性,用它们描述目标的边缘特征可以方便对规则物体的描述和分类,进而可以有效地提高后续图像处理过程的效率。
但是与众多针对直线提取方法的研究相比,对线段提取方法的研究则很少,而且多数方法只对简单背景中的规则几何图形适用,无法应用在复杂的自然场景中。
1972年Duda和Hart提出利用Hough变换提取直线[1],此后很多人对经典的算法进行了改进,文献[2, 3]总结了近些年Hough变换的研究进展。
笔者利用Hough变换鲁棒性好的优点,对其进行改进用来提取图像的线段特征,该方法不但可以识别简单背景中的规则几何图形,还可以提取复杂背景中真实目标的线段特征。
论文的第2部分阐述传统Hough变换原理及其局限性。
第3部分提出的改进算法,主要包括建立图像空间、参数空间和线段空间三个变换空间,离散化参数第25卷第4期增刊仪 器 仪 表 学 报2004年8月空间,全局阈值与局部阈值结合去除虚假尖峰,利用动态分组原则确定线段的端点,融合端点邻近的线段等改进算法。
论文的第4部分是仿真实验的结果与分析。
第5部分是结论。
2 传统Hough变换原理及其局限性[4]2.1 传统Hough变换原理1962年Paul Hough[5]首先提出Hough变换,实现一种直线从图像空间到参数空间的映射。
它的基本思想是点—线的对偶性,即图像空间里共线的点对应参数空间里相交的直线;反过来,参数空间相交于同一点的所有直线在图像空间里都有共线的点与之对应。
为了解决垂直直线斜率无限大的问题,一般通过直线的极坐标方程:Q=xcos H+ysin H(1)进行Hough变换,即用正弦曲线表示图像空间中直线上的点,其中:Q∈R是图像空间中直线到坐标原点的距离,H∈[0,2P]是直线与x轴正向的夹角。
实际应用中,将参数空间离散化成一个累加器阵列,按照(1)式将图像空间中的每一点(x,y)映射到参数空间对应的一系列累加器中,使对应的累加器值加1。
如果图像空间中包含一条直线,则在参数空间有一个对应的累加器会出现局部最大值。
通过检测这个局部最大值,可以确定与该直线对应的一对参数(Q,H),从而检测出直线。
2.2 传统Hough变换的局限性Hough变换有几何解析性简单,鲁棒性好,有并行实现潜力等优点,但它的局限性也很明显,主要表现在:(1)Hough变换对参数空间的离散化要求很高,不当的离散可能把一条直线上的部分点同时判断成与它成微小夹角的另一条直线上的点,从而导致重复计算的直线增多。
(2)传统Hough变换只能检测出图像空间中存在的直线,不能指出它的端点和长度。
而在实际应用中,除了对有较长直线特征的目标,如机场跑道,应用直线检测效果较好之外,大多数目标的边缘特征由线段来描述才可以取得良好的结果。
(3)传统Hough变换判断图像中是否存在直线的准则仅仅是检查直线上像素的个数是否超出一个给定的阈值,而不管这些最大值是由分布效应产生的虚假类峰还是确实代表真实存在的直线,常常导致错误的直线提取。
3 改进的图像线段特征提取方法[6]针对传统Hough变换的局限性,对Hough变换进行了改进,用来提取图像的线段特征。
改进算法的主要步骤如下:(1)建立图像空间,参数空间,线段空间三个变换空间。
(2)离散化参数空间。
(3)进行Hough变换,按全局阈值提取出一组最大值。
(4)按局部阈值判断上一步提取出的最大值的有效性,去掉由分布效应产生的虚假尖峰。
(5)按动态分组原则确定线段的端点。
(6)融合端点邻近的线段。
3.1 建立三个变换空间I(x,y)表示输入的图像,E(x,y)表示用Sobel边缘检测算子提取后得到的边缘图像。
传统Hough变换只在图像空间I={(x,y)}和参数空间P={(Qi,H i)}之间进行变换,其中:i∈R。
为了方便对同一条直线上的线段进行整理,这里建立一维空间S={Sc(l)}作为线段空间,其中:l=(Q,H)表示根据(Q,H)确定的图像空间中的直线,C(l)表示直线l上线段的最大数量,可根据输入图像设定,Sc(l)表示直线上l的第c个线段,c∈[1,…,C(l)]。
3.2 离散化参数空间[7]这里把参数空间量化成N Q×N H的累加器阵列。
其中:N Q=R+1/$Q,N H=2P/$H,X m和Y m分别是图像空间的横坐标和纵坐标的最大值,R=X2m+Y2m是图像坐标系中距离原点的最大距离,Kmax表示最长线段的长度,$Q=K max sin$H/2。
文中选择$H=1,K max=90,求得$Q≈1。
3.3 进行Hough变换,按全局阈值提取出一组最大值把E(x,y)上的每一点(x,y)按(1)式映射到参数空间。
记录使(Qi,H i)累加值增加的图像空间里点的坐标,存入坐标累加器Ac oor(li)中,这一过程称为投票。
重复上述变换,直到对所有的边缘点都完成投票操作。
设A是参数空间的全局累加器,A(l i)表示图像空间直线l i上所有的点在参数空间上累加器(Q i,H i)上的累加值。
针对不同图像通过实验求得全局阈值T hglo,提取出大于T h glo的累加器组成A max:A max={A(Q,H):A(Q,H)≥T h g lo,(Q,H)∈P}(2)A max表示用全局阈值提取出的最大值集合。
3.4 按局部阈值判断线段的有效性,去掉由分布效应产生的虚假尖峰传统的Hough只是根据单一的阈值提取一组峰值,重构出它们对应的直线。
但是有些最大值可能是由437 第4期增刊 基于改进Ho ugh变换的图像线段特征提取分布效应产生的虚假尖峰,所以这里提出对每个最大值周围的累加器进行检查,以提高其可靠性。
首先设定局部阈值T h loc =K T h g lo ,其中K <1,是实验确定的常系数。
然后按照T h loc 对每一个最大值周围的3×3个累加器进行检查,如果存在4个或4个以上的累加器值都大于T h loc 就认为这个最大值代表真实存在的线段,反之认为它是一个由于分布效应产生的虚假尖峰,把它们存入虚假尖峰集合A a max中:A a ma x ={A (Q a ,H a ):A (Q a ,H a )<T h loc ,(Q a ,H a )∈M (Q ,H ),A (Q ,H )∈A max }(3)M (Q,H )代表(Q ,H )周围3×3个累加器组成的小区域。
最后按照(4)式得到A M AX :AM AX=A max-Aa ma x(4)AM AX 为全局阈值和局部阈值结合判断出的代表真实存在线段的最大值集合。
3.5 按动态分组原则确定线段的端点笔者提出一种根据坐标累加器A co or (l i )中保存的图像空间中同一条直线上点的坐标动态判断线段端点的规则。
首先根据A M AX 中的每一个累加器对应的(Q i ,H i )找出它们相应的A coo r (l i ),然后利用A c oor (l i )中同一条直线上点的坐标,求出直线的中点坐标P mid (l i )。
用(5)式来描述线段S c (l i ):S c (l i )={x :Q i=xcos H i +ysin H i ,l i =(Q i ,H i ),x ∈[P cbeg(l i ),P c e nd (l i )]}(5)其中:P cbe g (l i )和P cend (l i )分别代表线段S c (l i )的起始点和终点。