参数空间分解法

Ｈｏｕｇｈ变换是目前文献中应用最广泛的特征提取方法。然而,Ｈｏｕｇｈ变换空间开销大的缺陷严重地限制了它的进一步应用。空间开销大的缺陷不仅在标准Ｈｏｕｇｈ变换中存在,而且在近年来新提出的随机Ｈｏｕｇｈ变换、概率Ｈｏｕｇｈ变换以及动态Ｈｏｕｇｈ变换中同样存在。这一缺陷在３０多年来的Ｈｏｕｇｈ变换研究过程中始终没有得到很好的解决。该文提出的参数空间分解法旨在从根本上克服Ｈｏｕｇｈ变换空间开销大的缺陷。参     

改进的随机窗口Hough变换在直线检测中的应用

Ｈｏｕｇｈ变换是直线检测的基本工具,但标准的Ｈｏｕｇｈ变换在实际应用中存在许多不足之处。本文提出了一种改进的随机Ｈｏｕｇｈ变换算法,它采用矩形窗口取代原肖的正方形窗口,使窗口的尺寸不再受图像素排列模式的影响。实验证明,与现有方法相比,在运算量基本不变的情况下,本文提出的新方法得到的参数精度更高,检测短直线的能力更强。     

随机Hough变换与Tabu搜索算法在基元提取中的比较

Ｈｏｕｇｈ变换（ＨＴ）是目前应用最广的几何基元提取方法,其基本思想在于通过证据积累来提取基元。最近不少人又提出了通过代价函数的全局优化来提取几何基元的思想。随机Ｈｏｕｇｈ变换（ＲＨＴ）和Ｔａｂｕ搜索（ＴＳ）分别是Ｈｏｕｇｈ变换和优化方法中的佼佼者。ＲＨＴ和ＴＳ分别基于不同的策略,两种方法的相互比较在许多文献中已有提及,但目前尚无较完整的理论分析和系统的比较。本文在提取单个基元所需对最小点集的采样次     

仪表自动检验系统MAIS

本文针对仪表检验，提出一种自适应二值化算法，启发式指针平滑算法及改进的Ｈｏｕｇｈ变换算法，在此基础上设计并实现了仪表自动检验系统ＭＡＩＳ。     

预存储权值矩阵的快速Hough变换

在离散Ｈｏｕｇｈ变换的基础上,提出一种编码方杂用于存储权值矩阵,大大节省了存储空间。介绍了利用预存储权值矩阵提高Ｈｏｕｇｈ变换速度的算法。该算法运行时间与输入图象复杂度无关,而且对含有噪声的复杂输入图象处理的效果尤其明显。     

基于图的Laplace谱的特征匹配

为了能对等距变换和相似变换后的图像进行精确匹配，提出了一种基于图的Laplace谱的特征匹配方法，该方法是首先给定两幅图像的特征点，然后分别定义其Laplace矩阵，再通过分析该矩阵的特征值及特征向量来构造特征点匹配矩阵；最后根据匹配矩阵元素的大小和位置信息来实现特征点匹配，并从理论上证明了该算法在对图像进行等距变换或相似变换情况下能获得精确匹配。实验结果表明，该方法对真实图像的匹配精度可达到82％。     

允许姿态变化的快速人脸特征检测

本文提出一种在允许姿态显著变化的人脸图象上快速检测眼睛和嘴角的方法。该方法仅仅合理地假设人脸图象要以通过值分割将头发和眼睛与脸部明显分开。首先采用Ｈｏｕｇｈ变换并利用有脸的相似性和对称性约束确定两个瞳孔的位置，然后根据人体测量关系初略估计嘴部区域，最事利用积分投影方法得到嘴角的精确位置。     

工程图纸分析及其与AUTOCAD接口的实现

本文在分析图纸处理与分析算法理论研究的软件系统开发的基础上，结合统计回归分析等方法，提出并实现了关于工程图纸的基于广义分层Ｈｏｕｇｈ变换的分块矢量化算法，构造了与ＡＵＴＯＣＡＤ的接口，开发了ＤＩＶＥＳ１．２系统，实现了数字图象的向ＡＵＴＯＣＡＤ系统的自动输入．     

一种结合概率松弛的谱匹配方法

提出了一种结合概率松弛的图的 Laplace 谱的特征点匹配方法。该方法给定了两个特征点集，并分别定义其 Laplace 矩阵，通过分析该矩阵的特征值及特征向量来获得特征点匹配的初始概率。利用概率松弛迭代的方法获得匹配的最终解。实验结果表明，该方法可以获得较高的匹配正确率。     

红外图象序列中运动点目标检测技术

对于红外传感器来说，当距目标很远时，目标在成象平面上仅占一个或几个象素，且接收到的信号很微弱。由于点目标象素少，无形状特征，信噪比低，如何正确检测出目标就是一个值得研究的问题。本文首先对于这种检测问题的主要技术难点进行了讨论，然后分别介绍了目前具有代表性的几种常用方法，例如Ｆａｌｃｏｎｅｒ于１９７７年提出的Ｈｏｕｇｈ变换法，Ｒｅｅｄ等人采用匹配滤波的方法，Ｍｏｈａｎｔｙ等人提出的基于概率估计的最大似然比自适应方法，Ｌａｒｓｏｎ于１９６６年首先提出的动态规划法，Ｂｌｏｓｔｅｉｎ等提出的序贯检测法和近年来所提出的神经网络法，作者对他们进行了评述，最后指出了点目标检测技术今后的发展方向和主要研究内容。     

An inherent probabilistic aspect of the Hough transform

In this paper,a new property of the Hough transform is discovered,namely an inherent probabilistic aspect which is independent of the input image and embedded in the transformation process from the image space to the parameter space.It is shown that such a probabilistic aspect has a wide range of implications concerning the specification of implementation schemes and the performance of Hough transform.In particular,it is shown that in order to make the Hough transform really meaningful,an appropriate curve(surface)density function must be,either explicitly or implicitly,supplied during its implementation process,and that the widely used approach to uniformly discretizing parameter space in the literature is generally inadequate.     

A New Definition of the Hough Transform

This paper‘s main contributions are three-fold.Firstly,it is shown that the two existing template matching-like definitions of the Hough transform in the literature are inadequate.Secondly,an inherent probabilistic aspect of the Hough transform embedded in the transformation process from image space to parameter space is clarified.Thirdly,a new definition of the Hough transform is proposed which takes into account both the intersection scheme between the mapping curve(or mapping surface) and accumulator cells and the inherent probabilistic characteristics.     

Accurate and efficient curve detection in images: the importance sampling Hough transform

The Hough transform is a well known technique for detecting parametric curves in images. We place a particular group of Hough transforms, the probabilistic Hough transforms, in the framework of importance sampling. This framework suggests a way in which probabilistic Hough transforms can be improved: by specifying a target distribution and weighting the sampled parameters accordingly to make identification of curves easier. We investigate the use of clustering techniques to simultaneously identify multiple curves in the image. We also use probabilistic arguments to develop stopping conditions for the algorithm. Results from applying our method and two popular versions of the Hough transform to both simulated and real data are shown.     

霍夫变换在幂函数型曲线检测中的应用

利用霍夫变换抗噪声能力强和能分离出属于不同直线附近点的特性,研究离散数据点集M中xi,yi满足幂函数关系时的曲线检测问题。首先,对离散数据点集M中的数据xi,yi作对数变换,得到新的数据点集M(xi,yi),此时,xi,yi具有线性关系;其次,用霍夫变换检测M中的直线,可得直线参数;然后,利用霍夫变换所得的直线参数,计算图象中的边缘点到直线的距离dki,并与给定阈值dk比较,从而将分布在不同直线附近的点分离出来,同时剔除数据点集M中的干扰点或噪声;最后,用最小二乘法拟合直线,得到剔除干扰点或噪声后的拟合曲线方程参数a和b。     

霍夫变换在指数函数型曲线检测中的应用

利用了霍夫变换抗噪声能力强和能分离出属于不同直线附近点的特性，研究离散数据点集M中xi，yi满足指数函数关系时的曲线检测问题。首先，对离散数据点集M中的数据xi，yi做半对数变换，得到新的数据点集M*(xi*，yi*)，此时，xi*，yi*具有线性关系；其次，用霍夫变换检测M*中的直线，可得直线参数；然后，利用霍夫变换所得的直线参数，计算图像中的点到直线的距离dki，并与给定阈值dk比较，从而将分布在不同直线附近的点分离出来，同时剔除数据点集M*中的干扰点或噪声；最后，用最小二乘法拟合直线，再经过反变换，得到剔除干扰点或噪声后的拟合曲线方程参数a和b。该方法能够很好地检测出数据集中的数据点按指数关系分布时的曲线，特别是能够检测出数据集中存在多条曲线的情况，解决了最小二乘法拟合曲线时存在的3个问题，同时又对霍夫变换的精度要求不高。     

Extended Hough transform for linear feature detection

Improving the accuracy of line segment detection reduces the complexity of subsequent high-level processing common in cartographic feature detection. We developed a new extension to the Hough transform and reported on its application to building extraction. We expanded the Hough space by a third parameter, the horizontal or vertical coordinate of the image space, to provide incremental information as to the length of the lineal feature being sought. Using this extended HT transform allowed us to more accurately detect the true length of a line segment. In addition, we used a Bayesian probabilistic approach to process our extended Hough space that further increased the accuracy of our extended Hough transform.     

基于多雷达的临近空间目标检测前跟踪算法

针对临近空间目标的低可探测性和多雷达采样周期与测量精度不一的问题,提出一种基于概率网格和多维Hough变换的多雷达检测前跟踪（ TDB）算法。利用概率网格将雷达测量数据概率化,通过多维Hough变换在多维空间建立初步候选航迹,利用基于不敏变换的空间融合方法得到目标数目及轨迹。仿真实验表明：该算法能够在密集杂波下实现弱小目标的有效检测。     

基于改进Hough变换的角点提取

提出了一种有效的角点提取的方法.在该方法中,角点将被定义为二条(或二条以上)直线的交点,并利用Hough变换来检测直线.若存在二条(或二条以上)直线经过某点,则该点就被认为是角点(角点候选点).对Hough变换中的映射方式作了改进,在传统的映射中采用的是"一对多"或"多对一"的映射方式,而在改进方式中采用的是"多对多"的映射方式.在这种映射方式下,Hough变换的参数空间不会发生峰值扩散的现象,这样会更有利于峰值的检测(直线检测),从而更有利于角点的检测.实验证明,该方法能精确有效地提取出图像中的角点.     

基于平面激光测量的移动机器人自定位方法

提出了两种基于平面激光测量的移动机器人自定位方法. 第一种方法是改进的Hough 密度谱的方法, 它的主要优点是避免了现有方法Hough 变换离散化过程中的信息损失问题，提高了算法的精度和鲁棒性. 该方法在引进一种新的Hough 密度谱的基础上，根据谱相关函数值和运动参数的密度得到机器人运动参数的候选值，并应用Hausdor 相似性度量从候选值确定运动参数的最终估计. 第二种方法是基于Fourier-Mellin 变换的方法，主要利用Fourier 变换的位移理论和Fourier-Mellin不变量来估计运动参数. 为了避免图像离散化造成的信息损失，在该方法中使用基于Hausdor 距离的最近点迭代(ICP) 算法来进一步精化平移向量. 实验结果表明，这两种方法均可有效地提高机器人的定位精度，具有一定的实际应用价值.