CN103955925A - 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 - Google Patents

Abstract

本发明公开了一种基于分块固定最小采样的概率霍夫变换曲线检测方法。对图像进行边缘或骨架提取，获得二值特征图像；按给定的分块尺寸对特征图像进行分块；对每个分块，获取其特征点集；根据给定的随机采样率、分块最小采样数、分块面积和特征点集大小，确定每个分块的实际采样数；利用不重复的随机采样，由分块的特征点集中抽取数量为实际采样数的特征点；以各分块抽取的特征点样本集的并集构成总样本集；对总样本集应用标准霍夫变换完成曲线检测。本发明能结合标准霍夫变换简单易实现的优点与概率霍夫变换速度较快的优点，并能抑制由于图像中复杂纹理性区域造成的虚假曲线，提高霍夫空间最高峰值点集中的检测率。

Description

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

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(HoughSpace)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：

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}；

vii.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}}    (5)

设抽取所得元素的集合为V_st；令

V＝VUV_st    (6)

viii.对所有分块S_st(0≤s<N_b，0≤t<N_a)重复步骤iii～vii，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；

ix.对V应用现有标准霍夫变换与霍夫空间峰值检测算法(可参考MATLAB7.0的图像处理工具包中所提供的hough函数的实现)，获得所需曲线的检测结果。

综上所述，本发明所提供的方法，能够利用随机采样减少运算量，提高检测速度；采用了标准霍夫变换的投票过程，原理简单，编程方便，易于在嵌入式系统中实现；同时通过分块固定最小采样，能够降低纹理性区域中的特征点在用于霍夫变换投票过程的特征点样本集中的比重，从而提高真实曲线上的特征点比例，进而提高所得的霍夫空间最高峰值点集中的曲线检测率。

由于设置了各个分块中的最小采样数，使得采样数可能大于由采样率所决定的量，因此本发明所提供的方法，其运行速度可能略慢于概率霍夫变换，但仍然快于标准霍夫变换。不过，由于本发明所提供的方法能够提高最高峰值点集中的曲线检测率，使后续步骤只需检查更少的峰值点便能构建出足够好的对象模型，从而能够加快后续步骤乃至整个图像理解应用的运行速度。

附图说明

图1为本发明中所提方法的总体流程框图；

图2为实施例印刷文档扫描图像；

图3为实施例二值特征图像；

图4为利用标准霍夫变换在实施例图像上得到的检测结果；

图5为利用概率霍夫变换在实施例图像上得到的检测结果；

图6为利用本发明中所提方法在实施例图像上得到的检测结果。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明。

本发明所提方法的总体流程框图如图1所示。

如图2所示是实施例印刷文档扫描图像。将实施例图像在计算机中读入MATLAB7.0，利用im2bw函数进行自适应阈值分割，所得二值图像反色后，再利用bwmorph函数进行骨架提取，得到如图3所示的二值特征图像。为方便观察，在图3中以黑色表示特征点，而以白色表示背景点。

如图4所示是利用标准霍夫变换在图2上得到的检测结果。在实施例中，标准霍夫变换使用的离散化极角序列为{kπ/180|k＝0,1,L,179}，截距的离散化分辨率设为1像素。所得霍夫空间中最高的10个峰值所对应的直线在图4中以黑色表示，并叠加于如图2所示的原图之上。

如图5所示是利用概率霍夫变换在图2上得到的检测结果。在实施例中，概率霍夫变换使用的离散化极角序列和截距离散化分辨率参数与标准霍夫变换相同，而随机采样率为0.4。所得霍夫空间中最高的10个峰值所对应的直线在图5中以黑色表示，并叠加于如图2所示的原图之上。

如图6所示是利用本发明所提方法在图2上得到的检测结果。在实施例中，本发明所提方法使用的离散化极角序列、截距离散化分辨率参数和随机采样率与概率霍夫变换相同，分块尺寸为a＝b＝25，最小采样数为n_min＝18。所得霍夫空间中最高的10个峰值所对应的直线在图6中以黑色表示，并叠加于如图2所示的原图之上。

由图3、图4和图5可见，标准霍夫变换和概率霍夫变换在本实施例中，其所得的最高的10个峰值中仅有2个对应于图像中的真实直线，而本发明所提方法则有4个对应于图像中的真实直线。

作为对比，还利用标准霍夫变换(记为HT)、概率霍夫变换(记为PHT)和本发明所提方法(记为BISPHT)，在包括实施例图像在内的40幅印刷文档扫描图像上进行了实验，各方法的参数设置同上。实验结果如下表所示，其中PHT和BISPHT的结果均取10次实验的平均值。不同情况下的最佳结果在表中用加粗字体表示。

由上表可见，在仅考虑由较少的霍夫空间最高峰值点给出的结果时，本发明所提方法给出了最高的检测率。而在运算速度上，本发明所提方法稍逊于概率霍夫变换，但明显优于表中霍夫变换。

Claims (2)

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。