一种基于霍夫变换的直线识别.pdf

1、 1 一种基于霍夫变换 利用参数空间与图像空间的直线识别方式 宋继强， Michael R. Lyu 中国香港特别行政区沙田香港中文大学计算机科学与工程学系， 2004 年 9 月 19 日收到，2004年 9月 20日发表。 摘要 由于霍夫变换的全局视野以及在噪声或退化环境中的稳健性，它被认为是图像中图形元素提取的一种强有力的工具。然而，霍夫变换的应用在很长时间内局限于小幅面图像。此外众所周知累加，峰值检测以及直线检验时的大量计算使得大幅面图像处理变得非常耗时。另一个局限是现今基 于霍夫变换的图像识别方法大多无法检测工程制图常有的大幅面图像的直线粗度。我们认为这些局限性的存在是由于这些方法仅

2、仅局限于霍夫变换的参数空间。因此本论文提出一种基于霍夫变换的新型直线识别方法，该方法充分利用了霍夫变换的参数空间与源图像空间，提出基于图像的梯度预测来加快累加速度，介绍了一种边界记录器来消除直线检验中冗余的分析，并且开发了一种基于图像的直线检验算法来检测直线粗度，同时减少错误检测数。它还提出利用像素移除法代替严格的废止 N*N的相邻区域来避免直线重叠。我们在不同尺寸的真实图像上进行了关于运算速度及检 测准确性的实验，实验结果证明了该方法具有显著的性能提高，尤其是对于大幅面图像。 2004年图形识别学会，爱思唯尔出版。保留一切权利。 关键词 ：直线识别 霍夫变换 大幅面图象 参数空间 图像空间

3、直线检验 2 1.简介 图形元素提取是多种多样的图像理解应用的基础。霍夫变换是一种在数字图像中寻找参数化图形的强大工具。我们可以很容易地在文献中找到大量的基于霍夫变换的图形元素识别方法，可用于检测二值图和灰度图中的直线、圆形、椭圆及其他直线。基于霍夫变换的方法在不同图像质量下都很稳定，是因为霍夫变换 将一个复杂的图像空间中的全局检测问题转换成了更易于解决的参数空间中峰值检测的问题。因此，它们可用于解决噪声、退化、局部不连续甚至复杂背景的问题。然而，由于以下两点共同限制，基于霍夫变换的方法极少应用于工程制图领域： （ 1）它们已已开发的应用都是局限于小幅面图像。由于图象幅面增大时，处理时间与内存

4、消耗急剧增加，随机白噪声也将不可忽视，将霍夫变换用于大幅面图象的尝试并不被看好。不幸的是，工程制图通常都伴随着很大的尺寸。 （ 2）它们不能检测直线粗度，而直线粗度对于理解工程制图的很多应用是至关重要的。一些方法假定一 幅图像中直线粗度为一定值，然后将它作为一个输入参数从而提升性能。然而，这种假定对于大多工程制图并不准确。 有人或许认为现今工程制图领域已存在很多图形识别方法，将基于霍夫变换的方法应用于这一领域并不重要。实际上，根据我们的调查，工程制图领域普遍应用的图形识别方法，包括基于骨架化方法、基于轮廓化方法和像素跟踪法，都主要依据图像元素中的像素级连通性。带来的结果就是，它们可以很好地处理

5、高质量的图像，但是当图像质量过差以至于不能保持像素连通时，它们的性能显著下降。霍夫变换无疑是这种环境中最适合的方法。因此，本论文提出 一种基于霍夫变换的可更高效处理大幅面图象并且可检测直线粗度的方法。 除霍夫变换固有的高计算复杂性外，我们现存的基于霍夫变换方法的局限性在于它们仅仅工作于霍夫变换参数空间。随着图象尺寸增大，对霍夫变换参数有贡献的特征点数量急剧增加，导致进行直线检验时需要更多的存储消耗以及更长的处理时间。此外，由于特征点仅仅是所有像素中的一小部分，据此检测一条直线粗度是不可能的。因此，本论文提出利用图像空间来克服这些局限性。实验证明所提出的基于霍夫变换的直线识别方法是非常高效且准确

6、的，尤其是对于大幅面图象，同时它可以用于检测直 线粗度。 本论文的其余部分是这样安排的：第二部分回顾了相关工作，第三部分具体陈述了所提出的方法，第四部分报告了实验结果，最后在第五部分得出了我们的结论。3 2.相关工作 用于直线识别的标准霍夫变换描述如等式 (1)，其中 (x, y)表示笛卡尔坐标系也就是图像空间中的一点， (r, )表示极坐标（也称作霍夫变换参数空间）中的参数。图像空间中共线的点在参数空间中交于一点。 c o s sinr x y (1) 通常，利用霍夫变换来识别直线包含以 下三个步骤：首先，完成图像空间中特征点的霍夫变换并对参数空间中每一参数累积采样点；然后，在参数空间进行峰

7、值检测；最后，检验利用峰值参数推测出的直线。 第一步长期以来已经进行了很好地研究。传统的霍夫变换平等对待所有角度导致了繁重的计算，巨大的参数空间以及峰值的不明显化。因此，现今的研究兴趣集中于如何选择角度来使霍夫变换安全有效地加快。大量改进的霍夫变换方法，例如基于梯度的霍夫变换，随机化的霍夫变换，概率性的霍夫变换和抽样霍夫变换，它们的提出都是为了加快累加速度并且突出峰值。 峰值检测可以分成两类：局部峰值检测 方式和全局峰值检测方式。前者是常用的方法，它在参数空间中 N*N的区域内寻找最大值，这种方法中 N的大小非常关键。 N 过大会抑制一些真实直线，然而 N 过小则会覆盖一些直线，也就是重复检测

8、。为了避免这种局部峰值的困境， Princen et al.提出了一种迭代的全局峰值检测方法，就是首先选取参数空间全局最大峰值，去掉对该峰值有贡献的特征点，然后重新累加计算与全局峰值检测。这种方法比既定尺寸区域内检测更加稳健，但是由于它的迭代累加，面对大幅面图象是非常耗时的。实际上它仅应用于潜像级别。 直线检验有两个目的： (1)为了确 定利用峰值检测推测直线过程中线段的准确参数，包括起点、终点和粗度； (2)为了消除随机平均特征点。常用的直线检验方法循序地检测由峰值参数 (r, )，数字化间隔 r及采样间隔决定的窄带区中峰值点的连通性。由于直线方程的频繁计算与特征点的重复搜索，对于由很多直线

9、构成的大幅面图象来说，这一步骤将比前两个步骤更加耗时。此外，由于现存的方法仅仅依赖于特征点，它们不可检测直线粗度。然而，由于经常考虑到小幅面图像，所以对于这一步骤的改进很少被处理。 4 3.本论文直线识别方法 本论文所要提到的方法是利用便利的图像空间来加 快整个进程并检测直线粗度。由于工程制图通常都是以二进制格式扫描、存储及编码，我们假定本论文中要讨论的图象为单色图（也就是黑色前景与白色背景）。我们预先确定两个极值， Tmin和 Tmax ，来分别表示可接受的最细与最粗线粗。所提出的方法有三个主要步骤构成：霍夫变换累加（投票），峰值选择与排序，直线检验。 3.1. 特征点选取 考虑到投票过程的

10、效率，我们仅选取图像像素中的一小部分作为特征点，来参与投票。我们定义特征点为线状区域的中点。特征点由正交扫描与宽度扫描获得，过程描述如下。扫描过程中，我们假定一像素的白色间 隔不会破坏黑色扫描，以此来接受退化的图像质量。 (1)水平扫描图像间隔为 Sh行， Sh定义为图像高度的 3000 分之一。对于一次水平黑色扫描，如果它的时长介于 Tmin和 Tmax之间，那么这次扫描的中点被选为水平特征点，如图 1所示。 (2)水平扫描结束后，垂直扫描图像间隔为 Sv列， Sv定义为图像宽度的 3000分之一。对于一次垂直黑色扫描，如果它的时长介于 Tmin和 Tmax之间，我们进一步计算水平扫描经过该

11、垂直扫描中点所需时长。若水平扫描时长也介于 Tmin 和 Tmax之间，那么跳过该中点，因为它已被用于水平扫描；否则 ，该中点被选为垂直特征点，如图 1所示。 图 3.1 正交扫描与宽度扫描 经过以上的特征点选取算法，非线状区域以及非中点将被排除出投票过程，从而提高推导直线的准确性，且可加快投票过程。 3.2.梯度预测 传统霍夫变换中，一个特征点为所有的角度投票。这造成了不必要的计算与内存消耗。此外，由于随机平均特征点的产生还会在参数空间中产生错误峰值。根据梯度化霍夫变换，我们对每一个特征点投票之前进行基于图像的梯度预测。 5 根据 3.1，我们已将特征点分为水平特征点与垂直特征点。对于一个水

12、平特征点，我们计算从垂直、左对角 线、右对角线经过该特征点的时长，如图 2a 所示。对于一个垂直特征点，我们计算从水平、左对角线、右对角线经过该特征点的时长，如图 2b 所示。然后，耗时最长的方向记为 L_Dir, 即为图像空间中可能的直线方向，与参数空间中预测的梯度方向，也就是，相互垂直。该特征点的投票角度范围最终由参数空间中预测的梯度方向决定，如等式 (2)所示。图 2c显示相邻梯度方向的投票角度范围是部分重叠的，这是容忍的预测误差。可通过减小重叠范围来加快投票过程。根据等式 (2)，投票角度跨度为 60，为传统霍夫变换跨度的 1/3.当然，可以检测更 多的方向来使梯度预测更加准确。然而，

13、检测图像空间中的任意方向都比这四个方向要慢很多。 投票角度范围（角度制） 0 3 01 5 0 1 8 0 , _6 0 1 2 0 , _1 5 7 5 , _1 0 5 1 6 5 , _YL D irL D irL D irL D ir 垂 直水 平右 对 角 线左 对 角 线(2) 3.3.粗度加权投票 由于仅利用特征点来进行投票不能与人对粗线条更加明显的感觉相吻合，同时这样会降低信噪比。因此我们采用粗度加权投票。在之前的过程中，我们已经获得了从四个方向经过特征点的时长，分别用 H_Len， V_Len， LD_Len， RD_Len来表示水平、垂直、左对角线 与右对角线的时长。一个特

14、征点的投票权重是由等式 (3)决定的，利用直线方向的垂线扫描时长来近似直线粗度。 H _ , _V _ , _L D _ , _ , _Le n L D irLe n L D irLe n L D irR D Le n L D ir 垂 直水 平投 票 权 重右 对 角 线左 对 角 线(3) 图 3.2 特征点的梯度预测 3.4.边界记录器 6 为了提高大幅面图象的处理效率，所提出的方法并未将每一参数的所有贡献特征点都存储起来。一些现有的方法也这样做，然而那些方法仍旧耗时的一个重要原因就是它们不知道去除的区域中哪一部分包含有特征点。因此他们必须根据已知的重新计算所有特征点来挑选出具有相同（或

15、相近） r的点，或者核查图像空间中去除区域的每一个位置。显然处理大幅面图像都不会快。通常去除区域中仅仅一小部分包含有特征点。根据这个事实，我们为每个参数单元添加边界记录器来记录包含对该参数有贡献特征点的最小范围。 每个参数的边界包含两个特征点，称为“上边界”和“下边界”，他们能够涵盖所有对该参数有贡献的特征点。因为参数空间的尺寸随着图像尺寸的增大急剧增加，所以在参数单元中添加每一字节都要十分谨慎。根据等式 (1)，给定 r和，图像坐标中的一维参数可由另一维参数求出。因此我们在参数单元中仅需记录坐标的一个维度。究竟选择 X 坐标还是 Y 坐标取决于（如图 3 所示）。当 45 135时，图像空间

16、中的直线接近水平线，所以选取 X坐标来记录边界；否则选取 Y 坐标。边界记录器的初始化以及记录过程描述如下面的 C 伪代码，其中min(a, b)返回 a和 b中的较小值， max(a, b)返回 a和 b中的较大值。 Initialization: for all the parameter cells Paramr.accumulator=0; Paramr.lower_boundary=max(image_height,image_width); Paramr.upper_boundary=min(0,0); Recording: when a feature point(x,y) co

17、ntributes to a parameter(r,) Paramr.accumulator+=voting_weight; if(45Lmin or i-start_pos=Lmin) if(VerifySegment(start_pos,i)=True) Accept this segment; Erase the pixels of this segment; elsegap_count+=1; if(gap_count=Gmax or i=n) if(i-gap_count-start_posLmin or i-gap_count-start_pos=Lmin) if(VerifyS

18、egment(start_pos,i-gap_count)=True) Accept this segment; Erase the pixels of this segment; start_pos=0; 该算法检测 Plb到 Pub之间长于 Lmin 且不包含长于 Gmax间隙的黑色线段。例如，在图 4 中有三个有效的黑色线段，分别记为 A， B， C。对于每段线段，调用线段查证（起始点，终止点），通过核查直线粗度，如图 4中箭头型虚线标志，来查证线段的有效性。线段粗度通过每一黑点 Pi（ i=起始点 终点）检测到的所有局部直线粗度投票得到。如果直线粗度大于 Tmax， 那么该线段可能是与

19、其他方向直线相交的区域，比如区域 B，那它就是不合格的。因为该算法并非依靠单一门槛来作为决策因素，所以它可以准确地区分正确的直线与随机均值特征点。此外，它还可以检测同一直线方向不同粗度的多条线段。 图 3.4 直线检验 考虑到降级图象，我们开发了一种容忍像素缺失的方法来检测直线粗度。对于每一点 Pi，如果存在 Pi-1和 Pi+1，利用它们来协助检测，如图 5所示。利用 Vi标记通过点 Pi 且垂直于直线 PlbPub 的直线路径。 Vi 也利用布雷森汉姆算法生成。 Vi(k)9 （ k=-Tmax+Tmax） 为 Vi路径上离 Pi K步远的点，且 Vi(0)=Pi.检测从 k=0开始，通过

20、 k 每次加 1 迭代直到 Vj(t)(j=i-1,i,i+1,t=k,k+1)之间的黑色像素少于 4，将终止 k记为 Kmax。然后从 k=0 开始，通过 k每次减 1迭代直到达到相同标准来得到 Kmin。最后线粗通过 Kmax-Kmin+1计算得到。这种途径可以如同高质量图象中一样准确计算降级质量图象中的直线粗度。检测的线段用三个参数存储：起点，终点和线粗。 图 3.5 局部线粗检测 3.7.直线擦除 对一峰值有贡献的所有线段都核实完成后，图像空间中符 合这些线段的像素应立刻擦除，以避免直线重复。通过擦除由参数决定的矩形区域来擦除线段上的像素是很容易的（长为起点到终点距离，宽为直线粗度）。

21、这对于孤立线段是正确的。然而，如果存在其他未检测的直线段与该线段相交，如图 6a所示，它们的相交区域也将被擦除，与它相交的线段将被分离开，如图 6b所示。这个问题也存在于基于移除特征点的直线检验方式。 因此，我们利用了基于检测相交区域支路走向的相交区域保留方法。它仅按矩形擦除那些局部线粗小于或接近于该线段粗度的部分，对于其他部分，也就是相交区域，它通过检测朝向该线段的支路走向 来近似估计要擦除和保留的区域边界，如图 6c所示。这种方法擦除仅属于该线段的像素。因此在避免直线重复的同时未检测线段的完整性也得以保证。 10 图 3.6 擦除符合水平线段像素 3.8.整体框图 基于上述的关键技术，图

22、7 展示了所提出的基于霍夫变换的直线识别方式的整体框图。整个过程被两条虚线分为三个步骤：第一步检测特征点，进行图像空间中梯度预测，然后生成霍夫变换参数空间；第二步在参数空间检测峰值并按累积值降序排列；最后一步根据图像空间检测直线，擦除已证实线段，最终生成结果线段的集合。 图 3.7 所提出直线 识别方法的整体框图11 4.实验 在我们的实验中，测试用的图象包括 5幅真实工程制图扫描得到的图象，这些图象都包含不同线粗的直线以及不同字体的文本。图 8展示了这些图象的缩略图。图像尺寸从 A4到 A0，如表 1所示。所有的实验在一台配置 P4， 2.4GCPU,1GRAM的 PC上运行 . 图 4.1

23、 五幅测试图象 表 4.1 测试图象信息 4.1.传统的基于霍夫变换方法 为了证明使用图像空间的必要性，我们执行传统的基于霍夫变换的直线识别算法来检测处理大幅面图象的性能如何。传统的基于霍夫变换方法仅仅利用特征点来进行 直线检验。它可用两种方式来执行：通过记录特征点或通过特征点重复投票。通过这两种方式的执行算法被分别记为 CHT-recording和 CHT-revoting。它们是速度最大优化的方法。 CHT-recording算法通过 3.1部分描述的正交扫描 -宽度扫描方法来选取特征点。每一特征点为每一方向投票。对一个参数有贡献的特征点与参数一起记录在参数12 空间中。参数空间的局部最大

24、点被检测为峰值。对每一峰值，直线检验时通过检测贡献特征点的连通性来确认直线段。该过程的实验结果如表 2 所示。可以显示两个重要问题： (1) 由于记录贡献特征 点是非常耗占空间的，所以该方法不能解决大幅面图象。在本次实验中，该方法甚至因巨大的内存消耗而不能完成 A2、 A1和 A0尺寸图象的处理。 A4图象的内存消耗为 870MB，尚在操作系统的承受范围内，处理时间也是相对合理的。然而对于 A3图象该算法需消耗内存 1720MB。由于这样的内存消耗远远超出了操作系统的物理存储，内存与硬盘之间的频繁调动将使处理时间过长。这一点可由观察报告中调动过程中 CPU的平均使用率低于 10%证明。 (2)

25、 对于大幅面图象，峰值检测与直线检验远比霍夫变换累加过程更耗费时间。以 A4 图像上的实验为例，霍夫变 换累加过程耗时低于整个处理过程的八分之一。 表 4.2 CHT-recording 算法的性能 与记录对每个参数有贡献的特征点不同， CHT-revoting算法在直线检验过程中所有特征点重复投票且搜集对峰值有贡献的特征点。由于该过程仅保留特征点的全局序列，它的内存消耗大大减小。因此尽管速度非常慢（如表 3所示），五幅图像它都可解决。时间效率低的原因是重复投票原理使得直线检验与霍夫变换累加过程相比更要慢得多。对 A0尺寸的大幅面图象而言，整个处理过程耗时将近霍夫变换累加过程的 30倍。 表

26、4.3 CHT-revoting 算法性能 另一方面，由于很多重叠直线和不可用线粗信息的存在， CHT 的两种执行方式都并不令人满意。 13 4.2.本论文提出的方法 对于本论文所提出的方法，设定以下几个临界值： Tmin=0.005 R, Tmax=0.1R, Lmin=0.15 R, Gmax=0.03 R, R代表测试图象的扫描分辨率。在本实验中， R为每英寸 300点，因此上述四个临界值分别为 2,30,45和 9像素。与传统基于霍夫变换的方法相比，本论文提出的方法可以高效地解决所有测试图象，并且内存消耗与处理时间都显著减少。 我们评估所提方法的内存消耗，处理时间以及检测准确率。直线识

27、别的整个处理时间记为 Timeall，进一步可分为三个部分： Timevote， Timesort和 Timeverify，分别代表用于霍夫变换累积，峰值检测排序与直线检验。检测准确率通过以下两方面测量：侦测率（ DR）和错判率（ FR）。 DR 表示真实直线被检测到的比例， FR 表示检测到的直线中错误的比例。这项评估要基于定位准确度以及线粗的精度。每幅测试图象的真实直线是手动识别的。每条真实直线（ Gi）通过两个端点，长度（ Lgi）以及线粗（ Tgi）描述。相应的，每条 检测直线（ Di）的长度与粗度分别记为 Ldi与Tdi。考虑到较长线段的视觉重要性， DR与 FR通过线长加权方式定义

28、。 22D R 100 % ,0DRL 1 ,2F R 100 % ,0FRL 1 ,2iigiigiiigiD iidgTi id igiiidiD iidgTi ig igDRLTTeTFRLTTeT 其 中， 未 匹 配其 他 情 况 下其 中， 未 匹 配其 他 情 况 下DR的运算为一预定义范围内的每一真实直线查找最佳匹配检测直线。如果没有找到匹配直线，累加 0；否则，将累加一个关于长度，端点定位及线粗三个条件的结果。关于端点定位的第二个条件中， Di 为检测到的两端点距离真实直线的距离和。关于线粗的第三个条件中，为线粗的重要性系数，范围从 0到 1.在我们的实验中，线粗对于解释工程

29、制图非常重要，所以设为 1.相似 的， FR的运算为每一检测到的直线查找最佳匹配真实直线。值得注意的是，每一条真实直线仅可用于一次匹配。因此重复检测将会造成错误警报。一种好的直线检验算法应该达到高DR，低 FR。由此我们定义了统一的检测准确度的测量方法如下： =0 . 5 0 . 5 (1 )D R F R 检 测 准 确 度 . 14 所提方法的性能如表 4 所示。我们注意到内存消耗低于 CHT-revoting 算法，因为我们的方法无需记录特征点。引人注目的还有，所提方法远快于传统的霍夫变换方式。对于所提方法， Timevote与图像中黑色像素数量成正比， Timesort与线段数成正比，

30、 Timeverify与线段总长成正比。基于图像的直线识别算法时间效率是通过分析处理时间的分布来得到的。对于中幅面图象 A4， A3 和 A2 图象， Timeverify 与Timevote接近。即使是最大尺寸的 A0图象， Timeverify仅为 Timevote的三倍。与上述两种算法相比， Timeverify相对于 Timevote的比例大大减小了。 本论文所提出的方法同时可以得到稳定的高大 82%的检测准确度。相对于表3所示的 CHT-revoting的检测准确度，本论文所提出的方法具有较高的精度是由于更好的 端点定位以及直线粗度精度，同时由于较少的重叠检测，所提出方法具备较低的错

31、误率。图 9展示了最大图像 A0的识别结果。如图中表明，错误的检测主要来自两个方面： (1)制图中均衡的文本； (2)图纸上的长折痕。这两种错误在图表基础上很难消除，他们应当从语义分析上避免，比如布局分析。图 10显示了测试图象中直线质量退化处理的一部分（图 10.a），然而识别结果仍旧是令人满意的（图10.b）。识别出的直线显示时标记它们的检测粗度。我们可以发现定位与直线粗度都可以正确检测。垂直被损直线也被恢复了，但是水平虚线仍被保留了。 表 4.4 本文所提出方法的性能 15 图 4.2 本文所提出方法处理 A0 图象识别结果 图 4.3.测试图象直线识别结果的一部分 图 11 对比了我们

32、的方式和 CHT-revoting算法对不同尺寸图象的性能直线，证明了利用图像空间带来的显著的性能提高。与 CHT-revoting 算法相比，所提出方法平均可节省 25%存储空间和 94%的处理时间。 16 图 4.4 本文所提出方法与 CHT-revoting 算法性能对比图 更进一步，为了评估梯度预测的效果，我们测试了所提出的方法不进行梯度预测时的性能表现，实验结果如表 5 所示。进行梯度预测未进行梯度预测的时间对比直线如图 12 所示。我们发现未进行梯度预测识别的 Timeall 超出进行梯度预测Timeall接近一定值（如图 12a）。然而，当观察 Timeall的三个部分时，我们发

33、现了一个有趣的现象。关于 Timevote，如预期的一样，对于大幅面图象而言，进行了梯度预测的投票过程能够更多的加速处理过程（如图 12b）。对于 Timesort，令人惊讶的是，利用了梯度预测竟然减慢了处理过程，尤其是对于大幅面图象 A0（如图 12c）。原因在于未进行梯度预测投票时，霍夫变换参数空间会更加平缓。 这是因为一个方向上的随机平均特征点也可以累积一个很高的值。因此，可检测的峰值（局部最大值）数量减少。另一方面，由于随机均值特征点的存在，一方向的边界或许被错误的放大，也就解释了 Timeverify 在未进行梯度预测的情况下处理大幅面图象要慢得多（如图 12d）。除此之外，未进行梯

34、度预测时检测错误率也会上升。综上所述，梯度预测不仅可以加快霍夫变换投票进程，也可以消除随机白噪声影响。 表 4.5 所提出方法未进行梯度预测性能表现 17 图 4.5 进行梯度预测与未进行的性能对比图 最后，为了评估边界记录器的影响 ，我们测试了不使用边界记录器时所提出方法的性能如何。实验结果如表 6 所示。我们发现使用边界记录器时 Timeall能够大大减少，减少的幅度与图像尺寸成正比（如图 13a）。具体分析 Timeall的三个部分时发现减少的时间主要由 Timeverify而来（如图 13b）。对于中等尺寸图象 A4和 A3，加速并不明显。然而对于大幅面图象 A2， A1和 A0，未使

35、用边界记录器时 Timeverify分别是使用时的 2.1,1.8,1.7倍。另一方面，使用边界记录器与否对于检测准确度并没有影响。由此我们可以总结出，使用边界记录器的影响主 要在于可以加速直线检验过程，特别是对于大幅面图象。 表 4.6 所提出方法未使用边界记录器的性能 18 图 4.6.有无边界记录器的性能对比图19 5.总结 本论文提出了一种基于霍夫变换的新型直线识别方法，旨在克服基于霍夫变换方式长期存在的局限，包括处理大幅面图象的弱势与无法识别直线粗度。所提出的方法主要做出了两个贡献： (1)它提出在整个识别进程中利用图像空间，引进了几种基于图像的新技术来使整个进程更有效率。梯度预测加快了霍夫变换累加进程，并且可消除随机白噪声。边界记录器大大消除了大幅面图象直线识别的冗余。擦 除属于新识别直线的像素有效避免了直线重叠。所有这些技术共同作用，在保持高准确度的同时，显著提高了大幅面图象整个识别进程，如同实验结果证实的那样。(2)基于图像分析的直线识别方法使本论文所提出的方式能够准确检测直线粗度，这对很多应用是至关重要的。所提出方案的成功证明了如果图像空间被合理利用，基于霍夫变换的方法也可以用于大幅面图象，比如工程制图。20 6.致谢 感谢中国香港特别行政区研究资助委员会对本论文中涉及工作授予的大力支持（项目号 CUHK4182/03E）。