目标检测之线段检测---lsd line segment detector

2022年01月15日 阅读数:0
这篇文章主要向大家介绍目标检测之线段检测---lsd line segment detector,主要内容包括基础应用、实用技巧、原理机制等方面,希望对大家有所帮助。


(1)线段检测应用背景算法

(2)线段检测原理简介app

(3)线段检测实例 a line segment detectoride

(4)hough 变换和 lsd 的区别函数

---------------------author:pkf.net

------------------------------time:2015-1-26设计

-----------------------------------------qq:1327706646blog

(1)线段检测应用背景token

  线段检测在高铁电机机车顶部图像检测系统中有很大应用,像受电弓检测程序之类的,颇有必要,最近也是客户有这个需求,作lsd移植发现的。ip


(2)线段检测简介ci

  为提升数字图像中的直线的检测速度,从时频域变换和空间域变换两个角度出发,提出了一种改进型数字图像中直线快速检测方法。首先,采用小波提高提取图像中的低频轮廓信息,抑制高频噪声。而后,对像素下降后的图像进行二值化处理;基于"两点肯定一条直线"以及Hough变换过程当中"图像空间中一条直线上的多个点对应参数空间中一个点"的原理,按照从局部到总体的检测顺序,将二值化后图像空间中的非零点映射到参数空间中具备较大存在几率的累加单元,而不是全部可能的累加单元。最后,对累加单元进行统计,以肯定图像中直线的参数。利用该方法对一幅像素为128×128的数字图像进行直线检测,耗时为213 ms。

首先,咱们须要回顾一下,为何须要检测图像中的直线段?直线段做为图像中边缘的一种,又有什么特殊之处呢?在Marr关于视觉的计算理论中提到,视觉是一种处理过程,通过这个过程咱们能从图像中发现外部世界中有什么东西和它们在什么地方。同时,咱们还知道,信息处理具备三个层次:(1)第一个层次是信息处理的计算理论(theory),也就是研究是对什么信息进行计算和为何要进行这些计算;(2)第二个层次是算法(algorithm),也就是如何进行所须要的计算,或者说是设计算法;(3)第三个层次是实现算法的机制,也就是研究某一算法的特定构成。对于视觉系统,观看图像的过程,也能够看作是信息处理的过程。从图像推理获得物体的形状信息的过程也能够对应为三个阶段:(1)初始简图(primal sketch),这个初始简图能够是轮廓图像,也能够是一堆具备特定意义的特征点构成的掩码,或者是像素的光强等信息;(2)2.5维简图(2.5 dimensional sketch),2.5维简图是对初始简图进行一系列的处理和运算,推导出的一个能反映某些几何特征的表象,它和初始简图都是以观察者为核心;(3)三维模型(3D model)。

    那么哪些信息能够用来构造图像的初始简图呢?一个形象的例子是画画。画家速写时,用不多的边,点,线等符号,就能够勾勒出大体的景物。固然,这样的景物与实际景物在人体视网膜上产生的以像素为单位的亮度矩阵式不同的,可是人们也能够轻松的识别出他们。这说明视觉对图形所作的第一个运算就是把他们转换成一些原始符号构成的描述,这些描述所反映的不止是亮度的绝对值的大小,还有图像中的亮度变化和局部的几何特征。

    初始简图是一种基元。它能够由若干边缘段(edge segments),线(line segment),斑点(blob)和端点(terminations)构成,这些杂乱的基元构成的初始简图又被称做未处理的初始简图,当这些基元经过各类方式进行聚合、归纳和抽象以造成更大、更加抽象的标记(tokens)时,这样的初始简图又被称为彻底的初始简图。

    这也就是边缘检测之因此称为图像处理和机器视觉的基本问题的缘由。边缘检测的直接目的是寻找未处理的初始简图。它一般寻找图像中亮度变化明显的点,当这些点位置相邻且方向相近时,则构成了边缘中的特殊边缘-直线段。目前流行的直线检测算法主要是霍夫变换,它的优点是不受图像旋转的影响,易于进行几何图像的快速变换。基于霍夫变换的改进方法也不少,其中一个重要的方法是广义霍夫变换,能够用来检测任意形状的曲线。 

最简单的霍夫变换是在图像中识别直线。在平面直角坐标系(x-y)中,一条直线能够用方程


表示。对于直线上一个肯定的点(,有


这表示参数平面(k-b)中的一条直线。所以,图像中的一个点对应参数平面中的一条正弦曲线,图像中的一条直线对应参数平面中的一个点。对图像上全部的点做霍夫变换,最终所要检测的直线对应的必定是参数平面中直线相交最多的那个点。这样就在图像中检测出了直线。在实际应用中,直线一般采用参数方程


相似的还有检测线段、圆、圆弧、椭圆、矩形等的霍夫变换。

      废话了这么多,终于开始回顾LSD了,使用LSD主要是在遥感图像中几何形状明显的目标进行检测时用到。利用LSD,能够快速的检测图像中的直线段,而后根据目标的几何特征设计快速算法,以快速肯定疑似目标区域。

      LSD的核心是像素合并于偏差控制。利用合并像素来检测直线段并非什么新鲜的方法,可是合并像素的方法一般运算量较大。LSD号称是能在线性时间(linear-time)内获得亚像素级准确度的直线段检测算法。LSD虽然号称不需人工设置任何参数,可是实际使用时,能够设置采样率和判断俩像素是否合并的方向差。咱们知道,检测图像中的直线其实就是寻找图像中梯度变化较大的像素。所以,梯度和图像的level-line是LSD说起的两个基本概念。LSD首先计算每个像素与level-line的夹角以构成一个level-line场。而后,合并这个场里方向近似相同的像素,这样能够获得一系列regions,这些 regions被称为 line support regions。以下图所示。

目标检测之线段检测---lsd line segment detector_.net

    每个line support region其实就是一组像素,它也是直线段(line segment)的候选。同时,对于这个line support region,咱们能够观察它的最小外接矩形。直观上来说,当一组像素构成的区域,特别细长时,那么这组像素更加多是直线段。基于此,做者还统计了line support region的最小外接矩形的主方向。line support region中的一个像素的level-line 角度与最小外接矩形的主方向的角度差在容忍度(tolerance)2τ内的话,那么这个点被称做"aligned point"。做者统计最小外接矩形内的全部像素数和其内的alinedg points数,用来断定这个line support region是不是一个直线段。断定的准则使用的是“a contrario approach”和“Helmholtz principle”方法。在这里,aligned  points的数量是咱们感兴趣的信息。所以做者考虑以下假设:aligned points越多,那么region越多是直线段。对于一副图像i和一个矩形r,记k(i,r)为aligned points的数量,n(r)为矩形r内的总像素数。那么,咱们但愿可以看到:

目标检测之线段检测---lsd line segment detector_数字图像_02

      其中,Ntest是全部要考虑的矩形的数量。PH0是针对 contrario model H0的一个几率。I是在H0模型下的随机图像。在这篇文章中,做者用H0的模型,主要有如下两个属性:

       (1){LLA(j)},其中j是像素,是一由一组随机变量组成;(2)LLA(j)在[0,2π]上均匀分布。

       所以,判断一个像素是否是aligned point能够记做几率:

          p = τ/π

       这样,再经过偏差控制,最终的直线段检测算法以下:

目标检测之线段检测---lsd line segment detector_霍夫变换_03

     在上述算法中,还有两个要点咱们没有解释。一是line support region具体是怎么获得了,二是怎样进行偏差控制的。

    前面咱们说过,line support region是经过合并方向近似相同的像素获得。其实在这里,这个合并的过程更多的是依赖于区域生长算法。对于一个level-line 场LLA,种子像素P,和容忍度 τ。咱们 能够经过简单的区域生长算法来获得line support region,具体的算法过程参考论文里给出的步骤吧。

目标检测之线段检测---lsd line segment detector_数字图像_04

     至于NFA(the number of false alarms)计算,做者使用以下公式计算:

目标检测之线段检测---lsd line segment detector_数字图像_05

   其中,N和M是采样事后图像的列和行,B(n,k,p)是一个二项分布。n依旧是矩形内全部像素数,k是矩形内的全部p-aligned point数。此处的p-aligned point是指和矩形的主方向在容忍度pπ下方向相同的像素。若是目标检测之线段检测---lsd line segment detector_霍夫变换_06,那么能够认为结果有效。

         在实际使用做者的源码时,能够调整lsd函数中的scale来调整图像采样率。此外,合并角度代码里默认是22.5度。图像越小,角度越小,获得的结果越少。不过当图像采样不一样时,在同一位置可能获得差别特别大的直线段,这个暂时不知道是什么形成的。

       一个比较迷人的结果:

 目标检测之线段检测---lsd line segment detector_数字图像_07