基于U弦长曲率抗旋转性广义Hough变换算法.docVIP

基于U弦长曲率抗旋转性广义Hough变换算法 　　摘 要： 　　针对广义Hough变换（GHT）算法匹配发生旋转图像中的目标形状时发生误匹配的问题，提出一种基于U弦长曲率的具有抗旋转性的广义Hough变换算法。首先，对模板形状采用边缘点的U弦长曲率和偏移向量等特征构建具有旋转不变性的修改的R表；其次，以图像中边缘点的曲率作为索引，查找构建的R表得到偏移向量等信息；最后，根据查得的信息计算图像中目标形状的可能的参考点位置进行投票。根据投票结果即可提取出图像中目标形状的位置。当图像中目标形状分别旋转0°、2°、4°、5°、6°时，提出的算法的匹配结果均在图像中目标形状位置具有非常明显的峰值。仿真结果表明，改进的广义Hough变换（IGHT）算法具有良好的抗旋转性和抗噪性。 　　关键词： 　　广义Hough变换；旋转不变性；U弦长曲率；目标识别；形态分析 　　0 引言 　　近些年来，图像中目标形状的检测和识别成为计算机视觉、目标识别等领域的重要研究内容之一。常用的从图像中提取目标形状的方法，主要包括基于像素层面和模板匹配进行形状提取。从像素层面提取目标形状是通过确定图像的背景像素来确定，比如背景差分法、阈值处理法等。模板匹配是一种基于模型的方法，通过搜索已知模型与一幅图像像素之间的最佳相关性来提取形状。Hough变换[1]是一种基于“证据收集”的模板匹配方法，主要用来提取图像中的规则形状，比如圆、直线、椭圆等形状。 　　1981年，Ballard[2]提出了广义Hough变换（Generalized Hough Transform， GHT），不仅可以检测和识别图像中的规则形状，而且可以用来检测和识别图像中的不规则形状，立即引起了计算机视觉、目标识别等领域学者的广泛关注。文献[3]充分分析了GHT算法在考虑图像中的目标形状发生旋转或者缩放时，需要在参数空间增加旋转或者尺度因子，导致进行模板匹配时的运算复杂度大和内存开销大的问题。而且文献[3]对几种通过压缩参数来改进的GHT算法进行了性能比较分析，指出Thomas[4]改进的GHT算法的抗旋转性能优于另外几种。文献[5]对向参数空间映射时造成的大量冗余进行改进，从而提高变换的效率。文献[6]通过约束搜索空间提高GHT算法的性能。文献[7-8]运用改进的GHT算法进行图像分割和目标识别等处理，体现了较好的性能。 　　为了使GHT算法适应旋转，同时保持高效的性能，许多改进的GHT算法被提出[3]，改进的基本方法是将传统GHT算法构建的R表替换为点扩散函数（Point Spread Function， PSF），在图像中提取目标形状时，对于图像中的每一个边缘点都需要遍历点扩散函数进行投票。但是，使用点扩散函数替代R表，一方面增大了模板匹配时的计算量，另一方面影响确定目标形状位置的性能。为了克服这个缺陷，本文提出基于R表的适应旋转的GHT算法。 　　1 广义Hough变换 　　1.1 传统的广义Hough变换 　　传统的GHT构建R表时，选用目标形状的边界点的梯度方向角φ作为R表的索引，索引项对应的是偏移向量γ，如图1所示。图中点r为目标形状的参考点，一般选为目标形状的中心，偏移向量γ为从点r指向目标形状的边界点p的向量，角α和距离λ分别为γ的方向角和2范数。遍历模板中目标形状的边界点，计算梯度方向角和偏移向量，完成构建R表。 　　R表构建完成以后，将R表作为查找表，从图像中提取目标形状，主要步骤如下： 　　步骤1 计算图像中边缘点的梯度方向角i。 　　步骤2 根据梯度方向角i，查找R表得到偏移向量γi（λ，α）。 　　步骤3 根据γi（λ，α）和几何关系，计算图像中目标形状的可能参考点位置，并在累加器中的相应项加1，即所谓的投票。 　　步骤4 重复步骤1～步骤3，遍历图像中的边缘点，投票结果最大值的位置即为图像中目标形状的参考点位置。 　　上述计算过程，没有考虑图像中目标形状发生旋转的情况。若考虑图像中的目标形状发生旋转时，需要增加旋转因子，设置旋转角度步长，遍历所有的旋转角度，计算图像中目标形状的可能参考点位置，并进行投票，正如文献[3]所言，计算量大，耗用内存多。 　　1.2 改进的GHT 　　本文将Thomas改进的GHT算法[4]称作为TGHT（TGeneralized Hough Transform），该TGHT是一种抗旋转性的高效GHT算法。 　　TGHT算法与传统的GHT算法最主要不同的地方在于，TGHT不是根据模板形状构建R表，而是定义PSF。其PSF使用边界点的相对角β和偏移向量的2范数来定义。如图2所示，相对角β为梯度方向角与偏移向量的夹角（-α）。 　　由于相对角β是梯度方向角与偏移向量的夹角，在图像发生旋转时，该角不变，且