[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

说明书

技术领域

本发明涉及工农业生产、交通、遥感等应用领域，具体是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。

背景技术

参数化曲线的检测是图像分析、理解和机器视觉中的一项重要任务，例如工业生产检测中工件的直线与圆弧状轮廓的检测与测量、农业生产中果实自动采摘机器人检测圆形或椭圆形果实、智能汽车中识别车道线、文档图像分析中的线图理解以及遥感图像中识别道路和规则的人造物等，都是参数化曲线检测的典型实例。

标准霍夫变换是用于参数化曲线检测的主流方法之一。标准霍夫变换原理简单，编程方便，并易于在嵌入式系统中实现，因此在直线和圆等参数化曲线的检测问题中得到了广泛应用。但标准霍夫变换存在两个主要不足：①当图像分辨率较高时，所需的存储空间大，运行时间长；②当图像中存在复杂的纹理性区域时，这些纹理性区域将产生大量特征点，它们会形成所谓的“虚假曲线”。

概率霍夫变换是用于加速霍夫变换计算的一种方法，它通过随机采样抽取出图像中的少量特征点来进行标准霍夫变换，从而减少了计算量，加快了运算速度。尽管概率霍夫变换不能减少空间开销，但除了增加采样步骤之外，其实现与标准霍夫变换相同，因此便于在嵌入式系统中应用。不过，概率霍夫变换仍然无法解决复杂纹理性区域造成的虚假直线问题。

因此，有必要找到一种改进的概率霍夫变换方法，在保留概率霍夫变换快速、易于实现等优点的同时，能够有效抑制虚假直线，提高曲线检测的准确率，特别是提高霍夫空间(Hough Space)最高峰值点集中的曲线检测率，从而能够进一步提升霍夫变换曲线检测的应用潜力。

发明内容

本发明所要解决的技术问题是在现有的概率霍夫变换方法基础上，针对具有复杂的纹理性区域的图像，提供一种能够提高曲线检测率、特别是最高峰值点中的曲线检测率的霍夫变换曲线检测方法。

为解决上述技术问题，本发明提出的解决方案为：利用标准的边缘检测方法或骨架检测算法提取图像边缘或骨架特征点，获得二值特征图像；将二值特征图像按给定大小进行分块；在每个分块中按给定的采样率进行特征点的随机采样；如果在某个分块中根据采样率抽取的特征点数不到给定的最小采样数，则继续在该分块中采样，直至达到最小采样数或该分块内所有的特征点数都被抽取；对所有分块均进行上述采样后，对抽取获得的特征点集应用标准霍夫变换曲线检测方法，完成所需的参数化曲线的检测。具体包括以下步骤：

i.利用现有的标准边缘检测算法(可参考MATLAB7.0的图像处理工具包中所提供的edge函数的实现)或骨架提取算法(可参考MATLAB7.0的图像处理工具包中所提供的bwmorph函数的实现)提取图像边缘或骨架特征点，获得二值特征图像E；

ii.令用于霍夫变换投票过程的特征点样本集初始为

iii.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}    (1)

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)；

iv.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}}    (2)

记N_st＝|F_st|为集合F_st的势，即F_st中的元素个数；

v.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；

vi.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：