CN108509906A - 无人机航拍路基线光点捕捉双阈值Radon识别方法 - Google Patents

Abstract

本发明公开了一种无人机航拍路基线光点捕捉双阈值Radon识别方法，为无人机的图像识别判断做良好准备，本发明采用变换对图像进行投影，得到在变换后的投影点位置，进行捕捉，避免了变换中对点筛选的要求苛刻，降低了干扰因素的要求严格，提高了正确率。且具有人性化的适应能力，可以有人为经过测试与根据电脑硬件要求，进行手动调节识别的要求，降低硬件要求，提高工作效率，对投影后的图像光点进行捕捉，得到图像中道路直线，使其无人机航拍公路图像的道边与中线识别中获得的定位比较准确，具有良好的检测精度。

Description

无人机航拍路基线光点捕捉双阈值Radon识别方法

技术领域

本发明属于图像处理与图像识别技术领域，具体涉及一种无人机航拍路基线光点捕捉双阈值Radon识别方法。

背景技术

随着无人机产业研发的飞速发展，越来越多的人已经开始使用无人机来进行一系列的探查活动，如航拍与森林侦查，甚至很多军事领域对无人机航拍使用的更广泛，因此对无人机图像处理与识别的要求也会更为严格。无人机在空中对公路图像的道路边沿与中线识别意义重大。无人机在空中飞行时用于进行航线的自动判断，防止巡线偏移造成坠毁的其他事故，同时如果战时需要在公路跑道上临时降落，公路基线(包括道路边缘与道路中线)识别非常重要，决定了无人机安全降落的准确性。无人机空中飞行速度较高，要求识别时间少，这就决定无人机对道路边缘与中心线的识别精度与效率要很高。

在这种背景环境下，无人机在空中对公路图像基线的识别目前为止没有妥善的办法。目前大多数领域采用的直线识别算法是Hough变换，但Hough有其本身的缺点，例如检测速度太慢，精度不够高，期望的信息检测不到反而做出错误判断，进而产生大量的冗余数据，同时进行直线识别时需占用大量内存空间，耗时久，效率低；现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规Hough变换的性能将急剧下降。

同时进行参数空间极大值的搜索时由于合适的阈值难以确定，往往出现"虚峰"和"漏检"的问题。Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点-线对偶性，把图像空间中的检测问题转换到参数空间。因此当图片中出现太多干扰因素时则会出现错误检测，当图片大小过大时检测时间过长。

Radon变换可以用于直线检测，比Hough变换优越的地方在于：Radon变换可以针对非二值图像，Radon变换检测直线：当灰度值高的线段会在P空间中形成亮点，而低灰度值的直线会在P空间中形成暗点，而Hough变换需要针对二值图像进行，仅仅积攒非0点在某一个(P,θ)上的个数。

Radon变换的积分运算环节抵消了噪声所引起的亮度起伏，从直线检测方面看，Radon变换P空间较源图像空间域的SNR高，因此更适合低SNR遥感图像线检测的原因。

发明内容

本发明的目的在于提供一种无人机航拍路基线光点捕捉双阈值Radon识别方法，以克服上述现有技术存在的缺陷，本发明使得无人机航拍公路图像的道边与中线识别中获得的定位比较准确，具有良好的检测精度。

为达到上述目的，本发明采用如下技术方案：

无人机航拍路基线光点捕捉双阈值Radon识别方法，包括以下步骤：

步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；

步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；

步骤3：步骤2中的得到的二值化图像进行边缘检测找到图像边缘；

步骤4：对步骤3中得到的图像边缘关于幅角进行Radon变换得到投影后的图像，并对投影后的图像对应的矩阵数据中的最值点进行捕捉；

步骤5：对要寻找的直线条数与双阈值进行初始参数进行设定，对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；

步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；

步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用方框进行标记；

步骤8：将步骤7中所找到的最值点，即用方框标记的点对应的原图像中直线在无人机拍摄的图像上标出；

步骤9：重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，则证明阈值设置过大，将两个阈值进行微调调小，如果识别直线过少，即没有正确识别出来的直线，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果，以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出道路基线；

步骤10：在步骤9测试到最适合的阈值时，重复步骤1-8即识别结束。

进一步地，步骤1中通过imread指令将道路图像的信息读入转化为表格数据。

进一步地，步骤2中灰度二值化处理具体为：

步骤2.1：设置初始化阈值T；

步骤2.2：根据初始化阈值T将图像数据中的每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2，其中n表示行，m表示列；

步骤2.3：计算G1的平均值得到m1，计算G2的平均值得到m2，则新的阈值T’＝(m1+m2)/2；

步骤2.4：以新的阈值T’重复步骤2.2和步骤2.3，直至计算出的新阈值等于上一次的阈值。

进一步地，步骤3中采用Canny算法对步骤2中得到的二值化图像进行边缘检测找到图像边缘。

进一步地，步骤4中对投影后的图像中的最值点进行捕捉具体为：采用经过Radon变换后的投影图形所对应的数据矩阵，进行最大值的寻找，采用的具体方法为相互比较，如果前一个变量比后一个变量小则进行值互换，，如果前一个变量比后一个变量大，则不发生交换，然后继续比较直至扫描完所有的矩阵数据，找到最大值。

进一步地，步骤5中区域行列数nhood默认值为max(3*ceil(size(r)/2)+1,1)，其中ceil是向离它最近的大整数圆整，用于快速求出素数；size为求出矩阵的行列数；max为括号内函数的最大值，r为无人机拍摄的道路图像对应的矩阵经过Radon变换后所得到的矩阵。

与现有技术相比，本发明具有以下有益的技术效果：

与传统的变换识别直线算法相比，本发明使用的是变换，输入值要求不高，可以省去二值化过程算法依然可以进行，但加入二值化，会使输出结果更加准确，而传统的直线识别算法，如Hough变换如果不进行二值化处理，无法执行程序算法，因为Hough只能接受0，1两种输入，而且减少工作时间，除此之外与传统的变换识别的基础上加入了光点捕捉功能，且引入了人性化人工调节阈值与直线识别数量的调节，可以达到针对干扰因素与内容不同的图片，调节到最适合的值，达到最适合的道路边缘与道路中线识别效果，同时在此代码基础之上，设计了双阈值变换识别，根据公路的两边边缘与道路中线的不同，采用双阈值识别将更难识别的道路中心虚线识别出来，此时仍然调节两个阈值的大小与识别直线的数量大小，此时将第一次识别得到的值固定，第二次识别结束后，将两次识别得到的数据一起显示在复原后的图像中。同时，因为输入值要求与变换不同，变换复原实现是根据峰值点分布的稠密成度来判断直线的方位，但是干扰因素与正确因素起着同等的作用，但是在变换投影的光点根据灰度值的不同，可以弱化干扰因素，使得直线识别效果达到最佳。

附图说明

图1为识别到的道路两旁基线，即图片中的1和2；

图2为识别到的道路中心虚线，即图片中的3；

图3为将识别到的道路中心虚线与道路两边基线共同显示在原图像中的结果；

图4为无人机拍摄的道路原图像；

图5为原图像转换的矩阵数据；

图6为原图像经过二值化处理得到的灰度图像；

图7为Canny算法检测逻辑流程图；

图8为Canny算法识别到的图像边缘示意图；

图9为Radon变换原理图；

图10为原图像经过Radon变换投影后得到的投影图像(未对最大值进行捕捉)；

图11为原图像经过Radon变换投影后得到的投影图像(已对最大值进行捕捉)图中小黑框的位置将亮点圈出；

图12为传统Radon变换(未进行改进的)的道路基线识别结果；

图13为本发明的整体逻辑处理步骤示意图；

图14为本发明的整体逻辑处理步骤流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

无人机航拍路基线光点捕捉双阈值Radon识别方法，本发明采用双阈值Radon变换对图像进行投影，得到在Radon变换后的投影点位置，进行捕捉。所谓双阈值Radon变换是在一次Radon变换的基础上，再进行一次识别。第一次Radon变换用来识别拍摄到的图像中的道路两旁边缘，第二次进行变换将更难识别的中心虚线进行识别，因为两种道路基线的识别难度不同，两次识别的阈值不同，进行自由调节，分两次对公路基线进行识别。避免了Hough变换中对点筛选的要求苛刻，降低了干扰因素的要求严格，提高了正确率。

两次变换识别的结果不会互相影响，因为两次变换内部参数设定并不相同，且有先后执行顺序的区别，将公路边缘线与中心线对应的光点均进行成功识别之后，一起进行复原，不会出现重影现象，因为是一次标注的。根据道路中线与道路两边直线识别阈值的差别，进行两次分开识别，之后将原图像锁定，一起复原在原图像中。

图1为单独变换识别结果且与第一次阈值设置相同，将道路两边的边缘识别出来，图2为单独变换识别结果且与第二次阈值设置相同，将道路中心虚线识别出来，图3为双重变换识别结果且阈值设置与两次相同，将道路中心虚线识别出来，可以看出两次识别并没有出现互相干扰，相当于两次变换分开进行，识别效果良好。

除此之外，本发明具有人性化的适应能力，可以人为经过测试并且根据电脑硬件要求，进行手动调节识别的要求，降低硬件要求，提高工作效率，对投影后的图像光点进行捕捉，再对光点进行反投影，将识别到的直线在原图中进行标出。使得无人机航拍公路图像的道边与中线识别中获得的定位比较准确，具有良好的检测精度。

具体包括以下步骤：

步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；

步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；

步骤3：步骤2中的得到的二值化图像使用Canny算法找到图像边缘；

步骤4：对Radon变换进行初始化后，对步骤3中得到的边界关于幅角进行变换得到Radon变换投影后的图像。找到峰值最大的前X条直线，并显示Radon变换后的图像。进一步地，将步骤4中得到的图像中的光点进行捕捉。

因为变换的工作原理是对图像进行线积分累加，可以看作二维函数f(x,y)，则其投影就是在特定方向上的线性积分，比如f(x,y)在垂直方向上的线性积分就是其在x轴上的投影；f(x,y)在水平方向上的线积分就是其在y轴上的投影。Radon变换是将数字图像矩阵在某一指定角度射线方向上做投影变换。这就是说可以沿着任意角度theta来做Radon变换，如图9所示。

在直角坐标系中，f(x,y)为直线上的点，P为坐标原点到直线上的距离，θ表示直线法线方向的夹角，因此直线方程可以表示为：

xcosθ+ysinθ＝P

直线上的Radon变换的公式是：

Delta函数(狄拉克函数)为一个广义函数，没有具体定义，该函数在非零的点取值均为0，而在整个定义域的积分为1，这里写一个最简单的Delta函数，便于理解：

结合直线方程，则Delta函数可以表示为：

即在直线上的点(x,y)满足δ(x)＝1，其他非1上点δ(x)＝0，

综上所述，Radon变换可以写为

Radon变换可以理解为图像在(P,θ)空间的投影，(P,θ)空间上的每一光点对应(,)空间中的一条直线。

光点捕捉原理：

根剧直线的特性，当对直线处进行线积分是在其投影的图像上的点的亮度会更大，因此只要对投影图中对应矩阵中最大值进行寻找。

步骤5：对要寻找的直线条数与阈值进行初始参数进行设定，对于步骤4中的寻找X条直线，针对直线条数的设定为根据使用者目的来进行调节，本发明为识别道路两旁基线与中心虚线，但是两次识别分开进行，且两次阈值不同，所以两次X均为1。关于双阈值经过科学家们反复试验得出能够适应大多数图片的双阈值threshold1＝0.85,threshold2＝0.67,所以将初值设定为这个能适应大多数图片的阈值，这样只需要再根据测试效果进行适当的微调即可，然后对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；

步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；

步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用白色方框进行标记；

步骤8：将步骤7中所找到的最值点，即用白色方框标记的点对应的原图像中直线在原图像上标出。

步骤9：对图像识别的效果进行观察，如果直线条数过多，说明有两个识别直线数量过大，进行微调减少，如果条数过少，则将直线识别条数进行微调增加。以及识别的效果进行略微的调节，具体因为图像之间的差异，需要具体情况，具体分析。重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，(即步骤8中复原的直线与原图像中的直线重合)证明阈值设置过大，将两个阈值进行微调较少，如果识别直线过少，且没有正确识别出来的直线(即步骤8中识别的结果，不与原图像中的某条直线重合)，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出到道路基线。

下面结合具体实施例对本发明做进一步详细描述：

本发明提供一种无人机航拍路基线光点捕捉双阈值Radon识别方法。首先读入无人机所拍摄得的航拍图像，将图片信息转化为数字表格。对航拍图像进行二值化处理，利用算法找到图像边界。下面进行变换初始化，然后进行边缘值与幅角的变换，找到峰值最大的前条直线，找到前条直线，对以最值点为中心的×区域进行清零，以排除重复。此处必须是奇数，以保证最值点在中心。默认值可以是max(3*ceil(size(r)/2)+1,1)，其中，ceil是向离它最近的大整数圆整，用于快速求出素数，size为求出矩阵的行列数，max为括号内函数的最大值，r为原图像对应的矩阵经过Radon变换后所得到的矩阵。找出最大值以及找到最大值的纵横坐标将找到的最大值的对应横坐标(比幅角多1)也保存下来将找到的最大值的对应纵坐标(幅值)也保存下只清除最值点将以最值点为中心的nhood×nhood矩阵清零。此时将Radon变换后的得到图像中的光点，即找到的最值点进行标注。然后将寻找到的最值点在原图像上对应的直线进行复原标注，如果与原图像上的直线重合，则道路基线识别成功，图像识别过程结束。

在整个过程中，通过对执行时间的监控，我们可以看到与之前的变换相比大提高了工作效率，除此之外，本发明加入了更为人性化与具体化的识别方法，针对不同的图片与各种干扰因素，可根据不同的图片，进行不同的测试，调节识别的直线数量与两个阈值，测试得到最为合理的数量与阈值，且此时执行速率快的优点更加加快了最适合数值的找出。使用范围广泛，提高准确性与效率。

具体步骤如下：

步骤1：获取无人机拍摄的公路图像，如图4所示，将图像转化为数据表格，进行保存读入数据；

图片文件的数据是一个二维数组，二维数组存储着一张图片各个像素点的颜色索引值或颜色值，通过imread指令将图片的信息读入转化为表格数据，如图5所示。

步骤2：对步骤1中获得的道路图像进行读入为图像数据并对图像进行灰度二值化处理，得到的二值化图像如图6；

设置或者根据随机方法生成一个初始化阈值T，根据阈值图每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2。(n为行，m为列)，G1的平均值是m1,G2的平均值是m2一个新的阈值T’＝(m1+m2)/2，回到第二步，用新的阈值继续分像素数据为对象与北京像素数据，然后重复上述步骤，直到计算出来的新阈值等于上一次阈值。

步骤3：步骤2中的得到的二值化图像使用Canny算法找到图像边缘，如图7所示，Canny算法的处理流程图如图8所示：

(1)平滑图像，去除噪声；

(2)求梯度值；

(3)梯度幅度值判定，初步确定图像边缘点；

(4)精确定位边缘位置；

(5)输出二值化图像，把边缘细化成只有一个像素的高度，使结果清晰。

步骤4：对变换进行初始化后，对步骤3中得到的边界关于角度进行变换得到投影后的图像，如图10所示：

步骤5：对要寻找的直线条数与阈值进行初始参数进行设定，对于步骤4中的寻找X条直线，针对直线条数的设定为根据使用者目的来进行调节，本发明为识别道路两旁基线与中心虚线，但是两次识别分开进行，且两次阈值不同，所以两次X均为1。关于双阈值经过科学家们反复试验得出能够适应大多数图片的双阈值threshold1＝0.85,threshold2＝0.67,所以将初值设定为这个能适应大多数图片的阈值，这样只需要再根据测试效果进行适当的微调即可，然后对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；

步骤7：将步骤6中最终确定的最值点(即为投影图像中的光点)在步骤4中经过Radon变换的投影图像中用白色方框进行标记；如图11所示：

Radon变换将原图像空间中的直线映射为\rho\theta空间中的点(线积分值)，图像中高灰度值的直线会在\rho\theta空间形成亮点，而低灰度值的线段在\rho\theta空间形成暗点，因此，只需将图像中的光点，进行复原投影则将直线成功识别出来。

步骤8：将步骤7中所找到的最值点，即用白色方框标记的点对应的原图像中直线在原无人机拍摄的图像上标出。如图1所示

步骤9：对图像识别的效果进行观察，如果直线条数过多，说明有两个识别直线数量过大，进行微调减少，如果条数过少，则将直线识别条数进行微调增加。以及识别的效果进行略微的调节，具体因为图像之间的差异，需要具体情况，具体分析。重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，(即步骤8中复原的直线与原图像中的直线重合)证明阈值设置过大，将两个阈值进行微调较少，如果识别直线过少，且没有正确识别出来的直线(即步骤8中识别的结果，不与原图像中的某条直线重合)，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果以此类推，不断对阈值进行微调，直到找到最适合的阈值即识别出到道路基线；：

步骤10：在步骤9测试到适宜的设定值时，将步骤1-9一次执行完则识别结束，最终识别结果如图3，已经将道路基线全部成功识别出来。

由图1-12可以看出，处理结果均成功，最终将三条道路基线成功在原图上识别出来。

将本方法与传统方法进行对比，结果详见表1。

表1本发明方法与传统方法结果对比

函数名称	调用	总时间(秒)	调用时间(秒)
				传统Radon变换	1	2.203	0.793
传统Hough变换	1	12.100	3.102
				本发明方法	1	1.191	0.250

由表1可以看出，本发明的方法无论在总时间还是在调用时间都是少于传统Hough变换与传统Radon变换的，本发明方法速度快，效率高识别迅速。

Claims (6)

1.无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，包括以下步骤：

步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；

步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；

步骤3：步骤2中的得到的二值化图像进行边缘检测找到图像边缘；

步骤4：对步骤3中得到的图像边缘关于幅角进行Radon变换得到投影后的图像，并对投影后的图像对应的矩阵数据中的最值点进行捕捉；

步骤5：对要寻找的直线条数与双阈值进行初始参数进行设定，对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；

步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；

步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用方框进行标记；

步骤8：将步骤7中所找到的最值点，即用方框标记的点对应的原图像中直线在无人机拍摄的图像上标出；

步骤9：重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，则证明阈值设置过大，将两个阈值进行微调调小，如果识别直线过少，即没有正确识别出来的直线，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果，以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出道路基线。

2.根据权利要求1所述的无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，步骤1中通过imread指令将道路图像的信息读入转化为表格数据。

3.根据权利要求1所述的无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，步骤2中灰度二值化处理具体为：

步骤2.1：设置初始化阈值T；

步骤2.2：根据初始化阈值T将图像数据中的每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2，其中n表示行，m表示列；

步骤2.3：计算G1的平均值得到m1，计算G2的平均值得到m2，则新的阈值T’＝(m1+m2)/2；

步骤2.4：以新的阈值T’重复步骤2.2和步骤2.3，直至计算出的新阈值等于上一次的阈值。

4.根据权利要求1所述的无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，步骤3中采用Canny算法对步骤2中得到的二值化图像进行边缘检测找到图像边缘。

5.根据权利要求1所述的无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，步骤4中对投影后的图像中的最值点进行捕捉具体为：采用经过Radon变换后的投影图形所对应的数据矩阵，进行最大值的寻找，采用的具体方法为相互比较，如果前一个变量比后一个变量小则进行值互换，，如果前一个变量比后一个变量大，则不发生交换，然后继续比较直至扫描完所有的矩阵数据，找到最大值。

6.根据权利要求1所述的无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，步骤5中区域行列数nhood默认值为max(3*ceil(size(r)/2)+1,1)，其中ceil是向离它最近的大整数圆整，用于快速求出素数；size为求出矩阵的行列数；max为括号内函数的最大值，r为无人机拍摄的道路图像对应的矩阵经过Radon变换后所得到的矩阵。