[发明专利]基于分块固定最小采样的改进概率霍夫变换曲线检测方法

权利要求书

1.一种利用分块固定最小采样法在复杂场景中检测参数化曲线的改进概率霍夫变换方法；此处所指的“复杂场景”指图像中包含纹理性较为丰富的区域，现有的标准边缘检测算法或骨架检测算法能够在这些区域中给出大量特征点，这些特征点进而能够在霍夫空间中累积形成显著的峰，从而使得标准霍夫变换的检测结果中出现大量人类视觉无法感知的“曲线”，即所谓“虚假曲线”；本发明所提出的方法包括以下步骤：

i.利用现有的标准边缘检测算法或骨架提取算法提取图像边缘或骨架特征点，获得二值特征图像E；

ii.利用分块固定最小采样数的随机采样方法，从E中随机抽取用于霍夫变换投票过程的特征点样本集V；

iii.对V应用现有标准霍夫变换与霍夫空间峰值检测算法，获得所需曲线的检测结果。

2.根据权利要求1所述的第ii步中的分块固定最小采样数随机采样方法，其特征在于如下步骤：

a.令用于霍夫变换投票过程的特征点样本集初始为

b.根据用户给定的分块宽度a和分块高度b对E进行划分，共分为N_a列、N_b行的矩形分块(其中W、H分别为E的宽与高，单位为像素；表示向下取整运算)；第s行第t列的分块(0≤s<N_b，0≤t<N_a)为子图像S_st：

S_st＝[E(i,j)],sb≤i<min{(s+1)b,H},ta≤j<min{(t+1)a,W}

式中，E(i,j)表示E中第i行第j列的像素；a和b的典型取值为a＝b＝15～30(像素)；

c.对于任一分块S_st，利用遍历搜索找出其中所有特征像素点(值为1的像素点)的集合F_st：

F_st＝{(i,j)|E(i,j)＝1,sb≤i<min{(s+1)b,H},ta≤j<min{(t+1)a,W}}

记N_st＝|F_st|为集合F_st的势，即F_st中的元素个数；

d.根据用户给定的采样率r_s确定在分块S_st中的具体采样数n_s,st：

r_s的典型值为0.2～0.5；

e.根据用户给定的标准分块最小采样数n_min确定在分块S_st中的具体最小采样数n_min,st：

式中，A_st＝[min{(s+1)b,H}-sb]×[min{(t+1)a,W}-ta]为分块S_st的面积，A＝ab为完整分块(标准分块)的面积；最小采样数n_min的典型取值为(0.2～0.8)×max{a,b}；

f.在F_st中随机不重复地抽取n个元素(即所有抽取出的元素两两互异)，其中n如下给出：

n＝min{N_st,max{n_s,st,n_min,st}}

设抽取所得元素的集合为V_st；令

V＝VUV_st；

g.对所有分块S_st(0≤s<N_b，0≤t<N_a)重复步骤b～f，最终所得的V即为用于霍夫变换投票过程的特征点样本集。