本發(fā)明屬于合成孔徑雷達(dá)圖像處理技術(shù)領(lǐng)域，特別涉及一種提取合成孔徑雷達(dá)圖像直線的優(yōu)化方法，即一種提取合成孔徑雷達(dá)(Synthetic Aperture Radars，SAR)圖像直線的優(yōu)化方法，適用于合成孔徑雷達(dá)圖像中直線特征的提取。

背景技術(shù)：

當(dāng)今社會(huì)，信息獲取的途徑多種多樣，而圖像作為直觀的方法之一，顯得尤為重要；與傳統(tǒng)的光學(xué)圖像相比，通過相干成像技術(shù)而得到的合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)圖像具有不受光照、天氣等因素影響的優(yōu)點(diǎn)，這些優(yōu)點(diǎn)使得SAR圖像的應(yīng)用范圍越來越廣，如利用SAR圖像進(jìn)行海岸線檢測(cè)、觀測(cè)地球變化、檢測(cè)環(huán)境安全等等；因此，越來越多的學(xué)者已經(jīng)將其研究的重點(diǎn)從傳統(tǒng)的光學(xué)圖像處理轉(zhuǎn)移到了SAR圖像處理領(lǐng)域。

圖像中的很多物體和場(chǎng)景都包含了直線特征，比如建筑物、機(jī)場(chǎng)跑道、橋梁、公路等，直線特征攜帶了很多重要的圖像信息，因此在圖像中準(zhǔn)確提取這些直線特征就顯得尤為重要。

目前已有大量的直線檢測(cè)方法被提出，但是這些方法大都不能獨(dú)立地進(jìn)行直線的檢測(cè)，必須依賴于邊緣檢測(cè)算子產(chǎn)生的結(jié)果，即二值邊緣圖(Binary Edge Map，BEM)而工作；在光學(xué)圖像中，由于圖像的質(zhì)量較好，因此所得到的二值邊緣圖也較為可靠，故而在光學(xué)圖像中這種直線檢測(cè)算法的檢測(cè)結(jié)果并不會(huì)顯著地被邊緣檢測(cè)結(jié)果所影響；與光學(xué)圖像不同的是，SAR圖像通常會(huì)包含嚴(yán)重的加性噪聲和乘性相干斑噪聲，SAR圖像質(zhì)量較差，得到的二值邊緣圖結(jié)果很難令人滿意。因此SAR圖像邊緣檢測(cè)的結(jié)果中，不僅有大量的虛假邊緣，有時(shí)甚至還包括了失真的，或是位置發(fā)生偏移的邊緣；因此，當(dāng)依賴于邊緣檢測(cè)結(jié)果的直線檢測(cè)算法應(yīng)用于SAR圖像時(shí)，直線檢測(cè)算法的檢測(cè)結(jié)果將直接受到邊緣檢測(cè)結(jié)果的負(fù)面影響。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)以上現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提出一種提取合成孔徑雷達(dá)圖像直線的優(yōu)化方法，該種提取合成孔徑雷達(dá)圖像直線的優(yōu)化方法主要針對(duì)合成孔徑雷達(dá)圖像探測(cè)直線特征的情況，進(jìn)而得到SAR圖像的直線特征結(jié)果，實(shí)現(xiàn)本發(fā)明目的。

為達(dá)到上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)。

一種提取合成孔徑雷達(dá)圖像直線的優(yōu)化方法，包括以下步驟：

步驟1，確定待檢測(cè)合成孔徑雷達(dá)圖像，所述待檢測(cè)合成孔徑雷達(dá)圖像為包含噪聲干擾的合成孔徑雷達(dá)圖像，并將所述待檢測(cè)合成孔徑雷達(dá)圖像記為圖像I，然后確定圖像I的圖像邊緣場(chǎng)F；圖像I的長(zhǎng)度和寬度分別為w和h；w和h分別表示像素點(diǎn)個(gè)數(shù)，且w和h分別為大于0的整數(shù)；

步驟2，分別設(shè)定圖像I包含N條直線，以及設(shè)定圖像I的參數(shù)空間包括M個(gè)累積單元，M>N，所述圖像I的參數(shù)空間為圖像I的原點(diǎn)分別到每條直線的距離和每條直線的方向的集合；其中將圖像I的原點(diǎn)到第n條直線的距離和第n條直線的方向，作為第n條直線的累積單元；

令n分別取1至N，分別得到第1條直線的累積單元至第N條直線的累積單元，并記為圖像I的參數(shù)空間內(nèi)的N個(gè)累積單元；其中，M-N為噪聲干擾影響產(chǎn)生的累積單元個(gè)數(shù)，該M-N個(gè)累積單元不對(duì)應(yīng)N條直線中的任意一條直線；M、N分別為大于0的整數(shù)；

步驟3，根據(jù)圖像I的圖像邊緣場(chǎng)F，以及圖像I的參數(shù)空間內(nèi)的M個(gè)累積單元，計(jì)算得到圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N，所述圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N包含w×h×M個(gè)累積權(quán)重影響值；

步驟4，根據(jù)圖像I的參數(shù)空間內(nèi)的M個(gè)累積單元，以及圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N，計(jì)算得到圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V，所述圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含M'個(gè)元素，且圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含的元素總個(gè)數(shù)與圖像I的參數(shù)空間包括的累積單元總個(gè)數(shù)相等；

步驟5，根據(jù)圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含的M'個(gè)元素，計(jì)算得到圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V的峰值列表P，所述峰值列表P中包含N'個(gè)元素，且所述峰值列表P中每個(gè)元素分別對(duì)應(yīng)圖像I中的一條直線，進(jìn)而對(duì)應(yīng)得到圖像I中的N條直線；其中，峰值列表P中包含的元素總個(gè)數(shù)與圖像I內(nèi)包含的直線總條數(shù)相同且一一對(duì)應(yīng)。

本發(fā)明相對(duì)于現(xiàn)有技術(shù)的主要優(yōu)點(diǎn)在于：

第一，本發(fā)明方法的創(chuàng)新點(diǎn)在于利用了高斯-伽馬型雙窗函數(shù)計(jì)算合成孔徑雷達(dá)圖像邊緣場(chǎng)，并用合成孔徑雷達(dá)圖像邊緣場(chǎng)這個(gè)概念計(jì)算合成孔徑雷達(dá)圖像中每個(gè)點(diǎn)對(duì)直線的檢測(cè)貢獻(xiàn)程度，并轉(zhuǎn)換為多個(gè)峰值檢測(cè)問題，從而避免了傳統(tǒng)直線檢測(cè)方法對(duì)合成孔徑雷達(dá)灰度圖像的依賴造成的易產(chǎn)生虛假扭曲邊緣的現(xiàn)象；

第二，本發(fā)明方法能夠選擇得當(dāng)?shù)臋?quán)重累積算法和合理有效的峰值檢測(cè)算法，有效對(duì)合成孔徑雷達(dá)圖像進(jìn)行直線的檢測(cè)；

第三，本發(fā)明能夠有效進(jìn)行合成孔徑雷達(dá)圖像直線檢測(cè)，具有良好的抗噪聲能力、良好的抗遮擋能力，最重要的是具有較高的檢測(cè)準(zhǔn)確率。

附圖說明

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。

圖1是為本發(fā)明的一種基于圖像邊緣場(chǎng)算法提取合成孔徑雷達(dá)圖像直線的方法流程圖；

圖2是一個(gè)場(chǎng)點(diǎn)在圖像I的參數(shù)空間的累積過程中產(chǎn)生的影響范圍示意圖；

圖3A是利用Canny-HT算法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；其中，Canny-HT算法為Canny邊緣檢測(cè)算子和霍夫變換算法；

圖3B是利用GGS-HT算法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；其中，GGS-HT算法為高斯伽馬型雙窗(GGS)邊緣檢測(cè)算子和霍夫變換算法；

圖3C是利用SAR圖像邊緣場(chǎng)(IEFA)方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；-

圖3D是使用Canny-HT方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖結(jié)果示意圖；

圖3E是使用GGS-HT方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的結(jié)果示意圖；

圖3F是使用SAR圖像邊緣場(chǎng)(IEFA)方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的結(jié)果示意圖；

圖4A是真實(shí)的理想圖像，即理想情況下一幅復(fù)雜的5-視仿真幅度格式SAR圖像中進(jìn)行檢測(cè)提取直線的結(jié)果示意圖，每條直線旁邊的數(shù)值為檢測(cè)出直線所獲得的分值；

圖4B是使用Canny-HT方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖，

圖4C是使用GGS-HT方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖，

圖4D是使用IEFA方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖；

圖5A是與圖4A相同的場(chǎng)景圖，其中對(duì)每條直線對(duì)應(yīng)的分?jǐn)?shù)進(jìn)行了標(biāo)注；

圖5B是SAR圖像邊緣場(chǎng)(IEFA)方法的正確率伴隨噪聲方差變化的曲線圖；

圖6A是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為16個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，

圖6B是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為32個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，

圖6C是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為64個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，

圖6D是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為128個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖；

圖7A是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)機(jī)場(chǎng)跑道進(jìn)行直線檢測(cè)得到的結(jié)果示意圖，

圖7B是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)河流進(jìn)行直線檢測(cè)得到的結(jié)果示意圖，

圖7C是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)農(nóng)田進(jìn)行直線檢測(cè)得到的結(jié)果示意圖。

具體實(shí)施方式

參照?qǐng)D1，為本發(fā)明的一種基于圖像邊緣場(chǎng)算法提取合成孔徑雷達(dá)圖像直線的方法流程圖；所述基于圖像邊緣場(chǎng)算法提取合成孔徑雷達(dá)圖像直線的方法，包括以下步驟：

步驟1，確定待檢測(cè)合成孔徑雷達(dá)圖像，所述待檢測(cè)合成孔徑雷達(dá)圖像為包含噪聲干擾的合成孔徑雷達(dá)圖像，并將所述待檢測(cè)合成孔徑雷達(dá)圖像記為圖像I，然后確定圖像I的圖像邊緣場(chǎng)F；圖像I的長(zhǎng)度和寬度分別為w和h；w和h分別表示像素點(diǎn)個(gè)數(shù)，且w和h分別為大于0的整數(shù)。

具體地，確定待檢測(cè)合成孔徑雷達(dá)圖像，所述待檢測(cè)合成孔徑雷達(dá)圖像為包含噪聲干擾的合成孔徑雷達(dá)圖像，且所述待檢測(cè)合成孔徑雷達(dá)圖像為任意形式的合成孔徑雷達(dá)圖像，并將所述待檢測(cè)合成孔徑雷達(dá)圖像記為圖像I，選取圖像I中任意一個(gè)像素點(diǎn)，記該像素點(diǎn)的坐標(biāo)為(x,y)，并將該像素點(diǎn)的坐標(biāo)(x,y)在圖像I中的位置，記為圖像I的像素點(diǎn)I(x,y)，w和h分別表示像素點(diǎn)個(gè)數(shù)，且w和h分別為大于0的整數(shù)；使用高斯-伽馬型雙窗函數(shù)(GGS)作為濾波器，分別得到像素點(diǎn)的坐標(biāo)(x,y)的第一窗函數(shù)濾波器g₁(x,y)，以及像素點(diǎn)的坐標(biāo)(x,y)的第二窗函數(shù)濾波器g₂(x,y)，所述第一窗函數(shù)濾波器g₁(x,y)對(duì)應(yīng)高斯-伽馬型雙窗函數(shù)(GGS)中Y軸正半軸部分，所述第二窗函數(shù)濾波器g₂(x,y)對(duì)應(yīng)高斯-伽馬型雙窗函數(shù)(GGS)中Y軸負(fù)半軸部分；將所述第一窗函數(shù)濾波器g₁(x,y)和第二窗函數(shù)濾波器g₂(x,y)分別逆時(shí)針旋轉(zhuǎn)角度ψ，分別得到像素點(diǎn)的坐標(biāo)(x,y)的第一方向?yàn)V波器函數(shù)g₁(x,y|ψ)和像素點(diǎn)的坐標(biāo)(x,y)的第二方向?yàn)V波器函數(shù)g₁(x,y|ψ)。

將所述第一方向?yàn)V波器函數(shù)g₁(x,y|ψ)和所述第二方向?yàn)V波器函數(shù)g₁(x,y|ψ)，分別與圖像I的像素點(diǎn)I(x,y)進(jìn)行卷積運(yùn)算，分別得到坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第一均值r₁(x,y|ψ)和坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第二均值r₂(x,y|ψ)。

再根據(jù)坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第一均值r₁(x,y|ψ)和坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第二均值r₂(x,y|ψ)，計(jì)算坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的強(qiáng)度M(x,y)，以及坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的方向其中，所述場(chǎng)點(diǎn)為由該場(chǎng)點(diǎn)的強(qiáng)度和該場(chǎng)點(diǎn)的方向組成的矢量，所述圖像I的圖像邊緣場(chǎng)為圖像I中w×h個(gè)像素點(diǎn)各自對(duì)應(yīng)的場(chǎng)點(diǎn)集合；(x,y)為圖像I中任意一個(gè)像素點(diǎn)(x,y)的坐標(biāo)；進(jìn)而得到圖像I的圖像邊緣場(chǎng)F；所述圖像I的圖像邊緣場(chǎng)F包含w×h個(gè)場(chǎng)點(diǎn)，每個(gè)場(chǎng)點(diǎn)分別對(duì)應(yīng)圖像I中的一個(gè)像素點(diǎn)。

步驟1的具體子步驟為：

1a)使用高斯-伽馬型雙窗函數(shù)(GGS)作為濾波器，分別得到像素點(diǎn)的坐標(biāo)(x,y)的第一窗函數(shù)濾波器g₁(x,y)，以及像素點(diǎn)的坐標(biāo)(x,y)的第二窗函數(shù)濾波器g₂(x,y)，所述第一窗函數(shù)濾波器g₁(x,y)對(duì)應(yīng)高斯-伽馬型雙窗函數(shù)(GGS)中Y軸正半軸部分，所述第二窗函數(shù)濾波器g₂(x,y)對(duì)應(yīng)高斯-伽馬型雙窗函數(shù)(GGS)中Y軸負(fù)半軸部分，其表達(dá)式分別為：

其中，Γ(.)表示伽馬函數(shù)，exp表示指數(shù)操作，| |表示取絕對(duì)值操作；所述高斯-伽馬型雙窗函數(shù)在X軸方向?yàn)楦咚狗植肌⒃赮軸正半軸方向和Y軸負(fù)半軸分別伽馬分布的雙窗函數(shù)，且所述高斯-伽馬型雙窗函數(shù)由三個(gè)參數(shù)σ、α和β唯一確定，σ表示不等于零的可變平滑參數(shù)因子，σ>0；σ越大，對(duì)應(yīng)的窗函數(shù)濾波器的平滑效果就越好；α表示高斯-伽馬型雙窗函數(shù)在Y軸方向上的形狀參數(shù)，α>1，α的取值反映像素點(diǎn)的坐標(biāo)(x,y)的第一窗函數(shù)濾波器g₁(x,y)，以及像素點(diǎn)的坐標(biāo)(x,y)的第二窗函數(shù)濾波器g₂(x,y)各自在Y軸方向上的寬度；β表示高斯-伽馬型雙窗函數(shù)在之間在Y軸方向上的尺度參數(shù)，β>0，β的取值反映像素點(diǎn)的坐標(biāo)(x,y)的第一窗函數(shù)濾波器g₁(x,y)，以及像素點(diǎn)的坐標(biāo)(x,y)的第二窗函數(shù)濾波器g₂(x,y)之間在Y軸方向上的距離；因此，所述高斯-伽馬型雙窗函數(shù)關(guān)于X軸對(duì)稱。

將所述第一窗函數(shù)濾波器g₁(x,y)和第二窗函數(shù)濾波器g₂(x,y)分別逆時(shí)針旋轉(zhuǎn)角度ψ，分別得到像素點(diǎn)的坐標(biāo)(x,y)的第一方向?yàn)V波器函數(shù)g₁(x,y|ψ)和像素點(diǎn)的坐標(biāo)(x,y)的第二方向?yàn)V波器函數(shù)g₁(x,y|ψ)，其表達(dá)式分別為：

g₁(x,y|ψ)＝g₁(x cosψ-y sinψ,x sinψ+y cosψ)

g₂(x,y|ψ)＝g₂(x cosψ-y sinψ,x sinψ+y cosψ)。

1b)將所述第一方向?yàn)V波器函數(shù)g₁(x,y|ψ)和所述第二方向?yàn)V波器函數(shù)g₁(x,y|ψ)，分別與圖像I的像素點(diǎn)I(x,y)進(jìn)行卷積運(yùn)算，分別得到坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第一均值r₁(x,y|ψ)和坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第二均值r₂(x,y|ψ)，其表達(dá)式分別為：

其中，旋轉(zhuǎn)的角度ψ連續(xù)變化，表示卷積運(yùn)算；由于所述高斯-伽馬型雙窗函數(shù)關(guān)于X軸對(duì)稱，因此旋轉(zhuǎn)的角度ψ∈[0°,180°)；在離散計(jì)算時(shí)，旋轉(zhuǎn)的角度ψ離散化到設(shè)定的Q個(gè)方向上，Q表示將平面直角坐標(biāo)系平分后包含的方向個(gè)數(shù)，Q為大于0的整數(shù)；本實(shí)施例中ψ＝45度，Q＝8，即每個(gè)相鄰方向之間間隔45度。

1c)根據(jù)圖像I的長(zhǎng)度和寬度分別為w和h，確定圖像I包含w×h個(gè)像素點(diǎn)，每個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)場(chǎng)點(diǎn)，進(jìn)而得到w×h個(gè)場(chǎng)點(diǎn)，并將該w×h個(gè)場(chǎng)點(diǎn)的集合作為圖像I的圖像邊緣場(chǎng)F；其中，圖像I的像素點(diǎn)I(x,y)對(duì)應(yīng)所述圖像邊緣場(chǎng)F中的場(chǎng)點(diǎn)并根據(jù)坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第一均值r₁(x,y|ψ)和坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第二均值r₂(x,y|ψ)，分別計(jì)算坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)F中場(chǎng)點(diǎn)的強(qiáng)度M(x,y)，以及坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像邊緣場(chǎng)F中場(chǎng)點(diǎn)的方向→表示矢量。

具體地，所述坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的強(qiáng)度M(x,y)，以及坐標(biāo)為(x,y)的像素點(diǎn)對(duì)應(yīng)圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的方向其表達(dá)式分別為：

其中，所述場(chǎng)點(diǎn)為由該場(chǎng)點(diǎn)的強(qiáng)度M(x,y)和該場(chǎng)點(diǎn)的方向組成的矢量，所述圖像I的圖像邊緣場(chǎng)為圖像I中w×h個(gè)像素點(diǎn)各自對(duì)應(yīng)的場(chǎng)點(diǎn)集合；(x,y)為圖像I中任意一個(gè)像素點(diǎn)的坐標(biāo)；進(jìn)而得到圖像I的圖像邊緣場(chǎng)F；所述圖像I的圖像邊緣場(chǎng)F包含w×h個(gè)場(chǎng)點(diǎn)，每個(gè)場(chǎng)點(diǎn)分別對(duì)應(yīng)圖像I中的一個(gè)像素點(diǎn)，圖像I的像素點(diǎn)I(x,y)對(duì)應(yīng)所述圖像邊緣場(chǎng)F中的場(chǎng)點(diǎn)→表示矢量；r₁(x,y|ψ)表示坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第一均值，r₂(x,y|ψ)表示坐標(biāo)為(x,y)的像素點(diǎn)濾波后的第二均值，min{*,·}表示求取*和·中的最小值操作，表示在ψ∈[0°,180°)范圍內(nèi)求取*和·中的最小值操作，表示使得*或·取最小值時(shí)求取ψ的取值操作，ψ∈[0°,180°)。

步驟2，分別設(shè)定圖像I包含N條直線，以及設(shè)定圖像I的參數(shù)空間包括M個(gè)累積單元，M>N，所述圖像I的參數(shù)空間為圖像I的原點(diǎn)分別到每條直線的距離和每條直線的方向的集合；其中將圖像I的原點(diǎn)到第n條直線的距離和第n條直線的方向，作為第n條直線的累積單元。

令n分別取1至N，分別得到第1條直線的累積單元至第N條直線的累積單元，并記為圖像I的參數(shù)空間內(nèi)的N個(gè)累積單元；其中，M-N為噪聲干擾影響產(chǎn)生的累積單元個(gè)數(shù)，該M-N個(gè)累積單元不對(duì)應(yīng)N條直線中的任意一條直線；M、N分別為大于0的整數(shù)。

具體地，根據(jù)直線的極坐標(biāo)表示法，得到圖像I的像素點(diǎn)I(x,y)所在直線，其滿足方程為：

ρ＝x cosθ+y sinθ (5)

其中，ρ∈[-R,R]，ρ表示圖像I的原點(diǎn)到圖像I的像素點(diǎn)I(x,y)所在直線的距離，w和h分別表示圖像I的長(zhǎng)度和寬度；θ∈[0°，180°)，θ表示圖像I的像素點(diǎn)I(x,y)所在直線的方向。

分別設(shè)定圖像I包含N條直線，以及設(shè)定圖像I的參數(shù)空間包括M個(gè)累積單元，M>N，所述圖像I的參數(shù)空間為圖像I的原點(diǎn)分別到每條直線的距離和每條直線的方向的集合；其中將圖像I的原點(diǎn)到第n條直線的距離和第n條直線的方向，作為第n條直線的累積單元。

令n分別取1至N，分別得到第1條直線的累積單元至第N條直線的累積單元，并記為圖像I的參數(shù)空間內(nèi)的N個(gè)累積單元；其中，M-N為噪聲干擾影響產(chǎn)生的累積單元個(gè)數(shù)，該M-N個(gè)累積單元不對(duì)應(yīng)N條直線中的任意一條直線；n∈{1,2,…,N}，M、N分別為大于0的整數(shù)。

然后計(jì)算圖像I的像素點(diǎn)I(x,y)所在直線的方向θ，并計(jì)算圖像I的原點(diǎn)到圖像I的像素點(diǎn)I(x,y)所在直線的距離ρ，得到圖像I中的像素點(diǎn)I(x,y)的累積單元(ρ,θ)，記為圖像I的參數(shù)空間內(nèi)像素點(diǎn)I(x,y)的累積單元(ρ,θ)，(x,y)∈I；進(jìn)而得到圖像I的參數(shù)空間內(nèi)的N個(gè)累積單元，N<w×h；但實(shí)際情況中由于噪聲的影響，也會(huì)產(chǎn)生若干個(gè)累積單元，因此設(shè)定圖像I的參數(shù)空間總共包含M個(gè)累積單元，其中包含N條直線形成的N個(gè)累積單元，以及由噪聲干擾產(chǎn)生的(M-N)個(gè)累積單元，所述(M-N)個(gè)累積單元不對(duì)應(yīng)圖像I中的任意一條直線。

步驟3，根據(jù)圖像I的圖像邊緣場(chǎng)F，以及圖像I的參數(shù)空間內(nèi)的M個(gè)累積單元，計(jì)算得到圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N，所述圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N包含w×h×M個(gè)累積權(quán)重影響值。

具體的，步驟3的字步驟如下：

3.1定義為圖像I中第j個(gè)像素點(diǎn)的估計(jì)因子，并確定圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的估計(jì)方向?yàn)閖∈{1,2,…,w×h}，則計(jì)算得到圖像I的原點(diǎn)到圖像I中第j個(gè)像素點(diǎn)所在直線的估計(jì)距離表示圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的估計(jì)方向j的初始值為1。

定義為圖像I中第j個(gè)像素點(diǎn)的估計(jì)因子，并將圖像I的參數(shù)空間內(nèi)的N個(gè)累積單元中第i個(gè)累積單元記為(ρ_i,θ_i)，ρ_i表示圖像I的原點(diǎn)到圖像I中第i個(gè)累積單元對(duì)應(yīng)直線的距離，θ_i表示圖像I中第i個(gè)累積單元對(duì)應(yīng)直線的方向，i∈{1,2,…,M}，M表示圖像I的參數(shù)空間中的累積單元總個(gè)數(shù)，i的初始值為1；則圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)對(duì)第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重，與圖像I中第j個(gè)像素點(diǎn)的估計(jì)因子與第i個(gè)累積單元(ρ_i,θ_i)之間的距離成反相關(guān)，即圖像I中第j個(gè)像素點(diǎn)的估計(jì)因子與第i個(gè)累積單元(ρ_i,θ_i)之間的距離越近，則圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中的場(chǎng)點(diǎn)對(duì)第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重就越大；反之，若第j個(gè)像素點(diǎn)的估計(jì)因子與第i個(gè)累積單元(ρ_i,θ_i)之間的距離越遠(yuǎn)，則圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中的場(chǎng)點(diǎn)對(duì)第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重就越小。

3.2由于圖像I的原點(diǎn)到圖像I中第j個(gè)像素點(diǎn)所在直線的估計(jì)距離可以用圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的估計(jì)方向表示，則第j個(gè)像素點(diǎn)的估計(jì)因子對(duì)第i個(gè)積累單元的累積權(quán)重影響值可由圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的估計(jì)方向唯一確定，其表達(dá)式為：

其中，exp表示指數(shù)函數(shù)，σ'表示限制圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)影響第i個(gè)積累單元的范圍參數(shù)，σ'越大，圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)影響的區(qū)域就越大。

圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中的場(chǎng)點(diǎn)對(duì)第i個(gè)累積單元的貢獻(xiàn)權(quán)重，與第j個(gè)估計(jì)因子對(duì)第i個(gè)累積單元的累積權(quán)重影響值成正比；此外，圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中的場(chǎng)點(diǎn)對(duì)第i個(gè)累積單元的貢獻(xiàn)權(quán)重，還與圖像I中第j個(gè)像素點(diǎn)所在直線的方向相關(guān)，根據(jù)式(6)明顯可知，當(dāng)且僅當(dāng)圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I的圖像邊緣場(chǎng)中場(chǎng)點(diǎn)的估計(jì)方向取值與圖像I中第i個(gè)累積單元所對(duì)應(yīng)直線的方向取值相等時(shí)，圖像I中第j個(gè)像素點(diǎn)對(duì)應(yīng)圖像I中第i個(gè)累積單元貢獻(xiàn)的累積權(quán)重最大；圖1表示出了一個(gè)場(chǎng)點(diǎn)在參數(shù)空間的影響范圍示意圖。

3.3令j加1,重復(fù)子步驟3.2，直到得到第1個(gè)像素點(diǎn)的估計(jì)因子對(duì)第i個(gè)累積單元的累積權(quán)重影響值至第w×h個(gè)像素點(diǎn)的估計(jì)因子對(duì)第i個(gè)累積單元的累積權(quán)重影響值進(jìn)而得到圖像I中w×h個(gè)像素點(diǎn)各自的估計(jì)因子分別對(duì)第i個(gè)累積單元的累積權(quán)重影響值N(θ_i)。

3.4令i加1,依次重復(fù)子步驟3.2和3.3，直到得到圖像I中w×h個(gè)像素點(diǎn)各自的估計(jì)因子分別對(duì)第1個(gè)累積單元的累積權(quán)重影響值N(θ₁)至第圖像I中w×h個(gè)像素點(diǎn)各自的估計(jì)因子分別對(duì)第M個(gè)累積單元的累積權(quán)重影響值N(θ_M)，并記為圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N，所述圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N包含w×h×M個(gè)累積權(quán)重影響值。

步驟4，根據(jù)圖像I的參數(shù)空間內(nèi)的M個(gè)累積單元，以及圖像I包含的w×h個(gè)像素點(diǎn)分別對(duì)M個(gè)累積單元的累積權(quán)重影響值列表N，使用自適應(yīng)權(quán)重的累積算法，計(jì)算得到圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V，所述圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含M'個(gè)元素，且圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含的元素總個(gè)數(shù)與圖像I的參數(shù)空間包括的累積單元總個(gè)數(shù)相等。

具體地，所述自適應(yīng)權(quán)重的累積算法的子步驟為：

4a)根據(jù)圖像I的參數(shù)空間內(nèi)的M個(gè)累積單元，設(shè)定一個(gè)包含M'個(gè)元素的累積矩陣，并分別將該累積矩陣中的M'個(gè)元素分別初始化為0，該累積矩陣中包含的元素總個(gè)數(shù)與圖像I的參數(shù)空間包含的累積單元總個(gè)數(shù)相等，且該累積矩陣中每一個(gè)元素分別對(duì)應(yīng)圖像I的參數(shù)空間包含的M個(gè)累積單元；M'為大于0的整數(shù)。

令i表示第i個(gè)累積單元，i∈{1,2,…,M}，M表示圖像I的參數(shù)空間中的累積單元總個(gè)數(shù)，i的初始值為1。

令k表示圖像I的圖像邊緣場(chǎng)F中每個(gè)場(chǎng)點(diǎn)的下標(biāo)，k∈{1,2,…,w×h}，w×h表示圖像I包含的像素點(diǎn)總個(gè)數(shù)，所述圖像I包含的像素點(diǎn)總個(gè)數(shù)與圖像I的圖像邊緣場(chǎng)F包含的場(chǎng)點(diǎn)總個(gè)數(shù)相等；分別將圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)記為將圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)的強(qiáng)度記為M(x_k,y_k)，將圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)的方向記為(x_k,y_k)表示圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)對(duì)應(yīng)圖像I內(nèi)的像素點(diǎn)坐標(biāo)；k的初始值為1。

4b)檢測(cè)圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)的強(qiáng)度M(x_k,y_k)是否大于設(shè)定的強(qiáng)度閾值參數(shù)T；如果不是，舍棄圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)，并執(zhí)行4e)；如果是，進(jìn)行4c)。

4c)如果圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)，與圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)的方向滿足：

δ表示設(shè)定的場(chǎng)點(diǎn)方向閾值參數(shù),則圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)對(duì)圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重為weight(θ_i|(x_k,y_k))，

ρ_i表示圖像I的原點(diǎn)到圖像I中第i個(gè)累積單元對(duì)應(yīng)直線的距離，θ_i表示圖像I中第i個(gè)累積單元對(duì)應(yīng)直線的方向；然后將圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)對(duì)圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重weight(θ_i|(x_k,y_k))，作為圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)獲得圖像I的圖像邊緣場(chǎng)F中第k個(gè)場(chǎng)點(diǎn)的投票累積量，進(jìn)而計(jì)算得到圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)從第1個(gè)場(chǎng)點(diǎn)至第k個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(ρ_i,θ_i|(x_k,y_k))，

其中，V(ρ_i,θ_i|(x₀,y0))＝0，weight(θ_i|(x_q,y_q)表示圖像I的圖像邊緣場(chǎng)F中第q個(gè)場(chǎng)點(diǎn)對(duì)圖像I的參數(shù)空間中第i個(gè)累積單元(ρ_i,θ_i)的貢獻(xiàn)權(quán)重，q∈{1,2,…,k}。

4d)令i加1，重復(fù)子步驟4c)，直到得到圖像I的參數(shù)空間中第1個(gè)累積單元(ρ₁,θ₁)從第1個(gè)場(chǎng)點(diǎn)至第k個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(ρ₁,θ₁|(x_k,y_k))，至圖像I的參數(shù)空間中第M個(gè)累積單元(ρ_M,θ_M)從第1個(gè)場(chǎng)點(diǎn)至第k個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(ρ_M,θ_M|(x_k,y_k))，并記為圖像I的參數(shù)空間中的M個(gè)累積單元分別從第1個(gè)場(chǎng)點(diǎn)至第k個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(x_k,y_k)。

4e)令k加1，返回子步驟4b)，直到得到圖像I的參數(shù)空間中的M個(gè)累積單元分別從第1個(gè)場(chǎng)點(diǎn)至第1個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(x₁,y₁)至圖像I的參數(shù)空間中的M個(gè)累積單元分別從第1個(gè)場(chǎng)點(diǎn)至第w×h個(gè)場(chǎng)點(diǎn)獲得的投票累積量V(x_w×h,y_w×h)，并記為圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V；其中，圖像I的參數(shù)空間中的M個(gè)累積單元從第0個(gè)場(chǎng)點(diǎn)獲得的投票累積量為0；所述圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含M'個(gè)元素，所述M'個(gè)元素中的每個(gè)元素對(duì)應(yīng)至少一個(gè)場(chǎng)點(diǎn)獲得的投票累積量，圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含的元素總個(gè)數(shù)與圖像I的參數(shù)空間包括的累積單元總個(gè)數(shù)相等。

設(shè)定的場(chǎng)點(diǎn)強(qiáng)度閾值參數(shù)T用于篩選場(chǎng)點(diǎn)強(qiáng)度的大小，并將較小強(qiáng)度值的場(chǎng)點(diǎn)排除在累積過程之外，本例中取T＝1；設(shè)定的場(chǎng)點(diǎn)方向閾值參數(shù)δ限定了場(chǎng)點(diǎn)的影響范圍，其影響范圍大小與δ值大小成正比；δ的取值人為設(shè)定，以保證δ的取值在不合適的時(shí)候，算法依然具有比較穩(wěn)健的性能；δ為大于0的實(shí)數(shù)，本例中取δ為0.3。T和δ的使用能夠保證噪聲不參與累積投票的過程，同時(shí)也減小本發(fā)明方法的計(jì)算量；可以看出來，同一個(gè)場(chǎng)點(diǎn)對(duì)不同的累積單元具有不同的累計(jì)權(quán)重，且同一個(gè)場(chǎng)點(diǎn)僅僅支持少量的累積單元，以保證算法的準(zhǔn)確性，進(jìn)而使得一個(gè)場(chǎng)點(diǎn)支持的累積單元形成了該場(chǎng)點(diǎn)的支持范圍。

步驟5，根據(jù)圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V包含的M'個(gè)元素，計(jì)算得到圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V的峰值列表P，所述峰值列表P中包含N'個(gè)元素，且峰值列表P中每個(gè)元素分別對(duì)應(yīng)圖像I中的一條直線，進(jìn)而對(duì)應(yīng)得到圖像I中的N條直線；其中，峰值列表P中包含的元素總個(gè)數(shù)與圖像I內(nèi)包含的直線總條數(shù)相同且一一對(duì)應(yīng)。

具體地，由于圖像離散的參數(shù)空間經(jīng)常會(huì)造成峰值的分散，甚至?xí)斐商摷俚拇渭?jí)峰值現(xiàn)象；除了上述原因，在數(shù)字圖像中，由于離散化的原因有些實(shí)際上并不共線的點(diǎn)會(huì)被誤認(rèn)為是共線的，也會(huì)造成嚴(yán)重的虛假峰值現(xiàn)象；噪聲、紋理也會(huì)導(dǎo)致虛假峰值現(xiàn)象的出現(xiàn)，有些幅度比較高的虛假峰值會(huì)被錯(cuò)誤識(shí)別成線特征；此外，本發(fā)明方法沒有利用平滑濾波器去平滑參數(shù)空間，雖然平滑參數(shù)空間的過程能夠避免相鄰的峰值融合，也能夠減少噪聲對(duì)峰值提取過程的影響，但會(huì)造成峰值位置的偏差移動(dòng)，以及圖像中直線位置檢測(cè)的不準(zhǔn)確；為了盡量避免上述問題，本發(fā)明采用排序選擇峰值的窗口函數(shù)方法：

5.1將圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V中M'個(gè)元素各自對(duì)應(yīng)場(chǎng)點(diǎn)獲得的投票累積量由高到低進(jìn)行排列，得到自適應(yīng)累積矩陣V的候選累計(jì)排序列表L，將自適應(yīng)累積矩陣V的候選累計(jì)排序列表L中第l個(gè)元素記為L(zhǎng)(ρ_l,θ_l)，該自適應(yīng)累積矩陣V的候選累計(jì)排序列表L中第l個(gè)元素為圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V中M'個(gè)元素各自對(duì)應(yīng)場(chǎng)點(diǎn)獲得的投票累積量由高到低進(jìn)行排列后的累積矩陣中第l個(gè)元素，l∈{1,2,…,M'}，l的初始值為1；ρ_l表示圖像I中原點(diǎn)到候選累計(jì)排序列表L中第l個(gè)元素對(duì)應(yīng)累計(jì)單元的對(duì)應(yīng)直線距離，θ_l表示圖像I中原點(diǎn)到候選累計(jì)排序列表L中第l個(gè)元素對(duì)應(yīng)累計(jì)單元的對(duì)應(yīng)直線方向。

分別設(shè)定圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V的峰值列表P，以及圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V的輔助列表A；峰值列表P用來存放峰值檢測(cè)的結(jié)果，大小為N'；輔助列表A用來存放已經(jīng)遍歷過的累積單元，大小為M”；P和A初始都為空。

5.2對(duì)自適應(yīng)累積矩陣V的候選累計(jì)排序列表L中第l個(gè)元素L(ρ_l,θ_l)，檢查第l個(gè)元素L(ρ_l,θ_l)對(duì)應(yīng)圖像I的參數(shù)空間中累積單元的設(shè)定領(lǐng)域窗口內(nèi)是否存在輔助列表A中的累積單元；如果存在，則將第l個(gè)元素L(ρ_l,θ_l)作為輔助列表A中第g個(gè)元素，g的初值為1，并令g加1；如果不存在，則分別將第l個(gè)元素L(ρ_l,θ_l)作為峰值列表P中第g'個(gè)元素，將第l個(gè)元素L(ρ_l,θ_l)作為輔助列表A中的第g'個(gè)元素；g'的初值為1，并令g'加1；其中，設(shè)定的鄰域窗口n×n，n為大于0的奇數(shù)；本實(shí)施例中n＝3；也可以合理設(shè)定稍大尺寸的鄰域窗口，所述稍大尺寸為n'×n'，n'為大于3的奇數(shù)；l∈{1,2,…,M}。

5.3令l加1，重復(fù)執(zhí)行子步驟5.2，直到得到峰值列表P中的N'個(gè)元素和輔助列表A中的M”個(gè)元素。

將峰值列表P中第r個(gè)元素記為P(ρ_r,θ_r)，r∈{1,2,…,N'}，ρ_r表示圖像I中原點(diǎn)到峰值列表P中第r個(gè)元素對(duì)應(yīng)累計(jì)單元的對(duì)應(yīng)直線距離，θ_r表示圖像I中原點(diǎn)到峰值列表P中第r個(gè)元素對(duì)應(yīng)累計(jì)單元的對(duì)應(yīng)直線方向；且該第r個(gè)元素P(ρ_r,θ_r)對(duì)應(yīng)圖像I中第r'條直線的累計(jì)單元(ρ_r',θ_r')，ρ_r'表示圖像I的原點(diǎn)到圖像I中第r'個(gè)像素點(diǎn)I(x_r',y_r')所在直線的距離ρ_r'(x_r',y_r')，θ_r'表示圖像I的原點(diǎn)到圖像I中第r'個(gè)像素點(diǎn)I(x_r',y_r')所在直線的方向θ_r'(x_r',y_r')，r'∈{1,2,…,N}，N表示圖像I包含的直線總條數(shù)。

根據(jù)圖像I中第r'個(gè)像素點(diǎn)I(x_r',y_r')所在直線滿足的方程：ρ_r'＝x_r' cosθ_r'+y_r'sinθ_r'，對(duì)應(yīng)得到圖像I中的第r'條直線；令r分別取1至N'，進(jìn)而得到峰值列表P中第1個(gè)元素至第N'個(gè)元素分別對(duì)應(yīng)圖像I中的第1條直線至第N條直線；峰值列表P中的元素總個(gè)元素與圖像I內(nèi)包含的直線總條數(shù)相同且一一對(duì)應(yīng)。

其中，輔助列表A中的元素總個(gè)數(shù)與圖像I的參數(shù)空間對(duì)應(yīng)的自適應(yīng)累積矩陣V中的元素總個(gè)數(shù)相等；M-N個(gè)由于噪聲干擾形成的累積單元得不到場(chǎng)點(diǎn)的支持，因此噪聲形成的M-N個(gè)累積單元在此過程中分別不會(huì)加入到峰值列表P和輔助列表A中。

下面通過仿真實(shí)驗(yàn)對(duì)本發(fā)明效果做進(jìn)一步驗(yàn)證。

(一)實(shí)驗(yàn)條件

實(shí)驗(yàn)一：檢驗(yàn)和比較不同邊緣檢測(cè)算子對(duì)一幅簡(jiǎn)單5-視幅度SAR圖像直線提取算法結(jié)果；

實(shí)驗(yàn)二：檢驗(yàn)和比較不同邊緣檢測(cè)算子對(duì)一幅稍微復(fù)雜的5-視幅度SAR圖像直線提取算法結(jié)果；

實(shí)驗(yàn)三：檢驗(yàn)并分析IEFA的抗噪性能的實(shí)驗(yàn)

實(shí)驗(yàn)四：檢驗(yàn)并分析IEFA的抗遮擋能力的實(shí)驗(yàn)

實(shí)驗(yàn)五：檢驗(yàn)并分析IEFA對(duì)實(shí)際圖像的直線檢測(cè)能力的實(shí)驗(yàn)

(二)實(shí)驗(yàn)內(nèi)容

為了進(jìn)一步說明本發(fā)明方法較其它直線檢測(cè)算法的優(yōu)越性，做如下幾組仿真實(shí)驗(yàn)。

實(shí)驗(yàn)一：本實(shí)驗(yàn)采用對(duì)比實(shí)驗(yàn)方法，分別使用Canny邊緣檢測(cè)算子和高斯伽馬型雙窗(GGS)邊緣檢測(cè)算子對(duì)圖像處理獲得圖像的二值邊緣圖，再使用霍夫變換方法對(duì)二值邊緣圖進(jìn)行直線檢測(cè)，分別記作Canny-HT和GGS-HT，與本發(fā)明方法，即圖像邊緣場(chǎng)算法(IEFA)，三組對(duì)比實(shí)驗(yàn)對(duì)一幅簡(jiǎn)單的5-視幅度SAR圖像進(jìn)行直線提取處理。

圖3A是利用Canny-HT算法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；其中，Canny-HT算法為Canny邊緣檢測(cè)算子和霍夫變換算法；圖3B是利用GGS-HT算法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；其中，GGS-HT算法為高斯伽馬型雙窗(GGS)邊緣檢測(cè)算子和霍夫變換算法；圖3C是利用SAR圖像邊緣場(chǎng)(IEFA)方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖；-圖3D是使用Canny-HT方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的直線參數(shù)空間3D視圖結(jié)果示意圖；圖3E是使用GGS-HT方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的結(jié)果示意圖；圖3F是使用SAR圖像邊緣場(chǎng)(IEFA)方法檢測(cè)提取一幅5-視仿真幅度格式SAR圖像中直線得到的結(jié)果示意圖。

實(shí)驗(yàn)二：本實(shí)驗(yàn)采用對(duì)比實(shí)驗(yàn)方法，分別使用Canny邊緣檢測(cè)算子和高斯伽馬型雙窗(GGS)邊緣檢測(cè)算子對(duì)圖像處理獲得圖像的二值邊緣圖，再使用霍夫變換方法對(duì)二值邊緣圖進(jìn)行直線檢測(cè)，分別記作Canny-HT和GGS-HT，與本發(fā)明方法，即圖像邊緣場(chǎng)算法(IEFA)，三組對(duì)比實(shí)驗(yàn)對(duì)一幅稍微復(fù)雜的5-視幅度SAR圖像進(jìn)行直線提取處理；該圖像中共有18條直線，根據(jù)每條直線被檢測(cè)出來的難易程度給每條直線確定一個(gè)分?jǐn)?shù)值；如果算法成功檢測(cè)出該條直線，即可獲得相應(yīng)分值，最后算法的得分就是所檢測(cè)出所有直線對(duì)應(yīng)的分?jǐn)?shù)值之和。

圖4A是真實(shí)的理想圖像，即理想情況下一幅復(fù)雜的5-視仿真幅度格式SAR圖像中進(jìn)行檢測(cè)提取直線的結(jié)果示意圖，每條直線旁邊的數(shù)值為檢測(cè)出直線所獲得的分值；圖4B是使用Canny-HT方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖，圖4C是使用GGS-HT方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖，圖4D是使用IEFA方法對(duì)一幅復(fù)雜的5-視仿真幅度格式SAR圖像進(jìn)行直線檢測(cè)的結(jié)果示意圖。

實(shí)驗(yàn)三：分析IEFA的正確率伴隨噪聲方差的變化情況。實(shí)驗(yàn)內(nèi)容為：利用實(shí)驗(yàn)二，在圖4A中的場(chǎng)景加入一系列不同強(qiáng)度噪聲，形成一系列被不同強(qiáng)度噪聲污染的SAR圖像，噪聲方差的變化范圍為-1dB～-15dB；顯然，噪聲越小表示圖像質(zhì)量越好，噪聲越大表示圖像質(zhì)量越差；用IEFA處理不同情況下的圖像，并記錄其得分結(jié)果。

圖5A是與圖4A相同的場(chǎng)景圖，其中對(duì)每條直線對(duì)應(yīng)的分?jǐn)?shù)進(jìn)行了標(biāo)注；圖5B是SAR圖像邊緣場(chǎng)(IEFA)方法的正確率伴隨噪聲方差變化的曲線圖。

實(shí)驗(yàn)四：分析IEFA的抗遮擋能力。實(shí)驗(yàn)內(nèi)容為：構(gòu)造了一張256*256的2-視幅度格式SAR圖像，其中包含了兩條相交直線，并對(duì)其用不同大小的像素圓盤進(jìn)行遮擋處理。遮擋圓盤的半徑分別取16、32、64、128個(gè)像素單位，并對(duì)這四幅圖像使用IEFA算法進(jìn)行直線檢測(cè)處理，并用蒙特卡洛算法重復(fù)100次獨(dú)立實(shí)驗(yàn)，每組獨(dú)立實(shí)驗(yàn)僅輸出兩個(gè)最相關(guān)的直線，然后觀察結(jié)果。

圖6A是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為16個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，圖6B是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為32個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，圖6C是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為64個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖，圖6D是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)遮擋圓盤的半徑為128個(gè)像素的一幅2-視幅度圖像進(jìn)行抗遮擋能力評(píng)價(jià)得到的結(jié)果示意圖。

實(shí)驗(yàn)五：分析IEFA對(duì)真實(shí)圖像的直線檢測(cè)能力。實(shí)驗(yàn)內(nèi)容為使用三個(gè)不同場(chǎng)景的真實(shí)SAR圖像，運(yùn)用IEFA方法進(jìn)行直線檢測(cè)的實(shí)驗(yàn)結(jié)果圖。其中選取的三個(gè)場(chǎng)景均為真實(shí)的SAR圖像，取自于圣地亞實(shí)驗(yàn)室網(wǎng)站。三個(gè)場(chǎng)景分別為：機(jī)場(chǎng)跑道(400*450)、河流(432*552)和農(nóng)田(300*550)。

圖7A是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)機(jī)場(chǎng)跑道進(jìn)行直線檢測(cè)得到的結(jié)果示意圖，圖7B是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)河流進(jìn)行直線檢測(cè)得到的結(jié)果示意圖，圖7C是使用SAR圖像邊緣場(chǎng)(IEFA)方法對(duì)農(nóng)田進(jìn)行直線檢測(cè)得到的結(jié)果示意圖。

(三)結(jié)果分析

實(shí)驗(yàn)一：對(duì)比圖3A～圖3C可以看到，Canny-HT的參數(shù)空間具有最多的偽峰，其次是GGS-HT，而本發(fā)明方法IEFA的偽峰數(shù)量最少，表現(xiàn)優(yōu)于Canny-HT和GGS-HT兩種傳統(tǒng)算法。對(duì)比圖3D～圖3F可以看到Canny-HT檢測(cè)出了兩條虛假的線，GGS-HT也檢測(cè)出一條虛假線，而本發(fā)明方法IEFA沒有檢測(cè)出虛假直線。因此可以看出IEFA在這張簡(jiǎn)單的5-視幅度SAR圖像直線檢測(cè)過程中表現(xiàn)良好。

實(shí)驗(yàn)二：對(duì)比圖4B～圖4D可以看到，Canny-HT算法的直線檢測(cè)效果不如GGS-HT，而本發(fā)明方法IEFA的檢測(cè)效果最好，表現(xiàn)顯然優(yōu)于Canny-HT和GGS-HT兩種傳統(tǒng)算法。因此可以看出IEFA在這張稍復(fù)雜的5-視幅度SAR圖像直線檢測(cè)過程中表現(xiàn)良好。

此外從圖中可以看出，所有未被正確檢測(cè)出來的直線均為短、弱的直線，所謂強(qiáng)(弱)直線是指直線兩邊區(qū)域的對(duì)比度強(qiáng)(弱)，這個(gè)現(xiàn)象產(chǎn)生的原因是因?yàn)槎?、弱直線更易受到相干斑噪聲的影響，從而獲得錯(cuò)誤的檢測(cè)結(jié)果。

對(duì)比圖4B、圖4C，Canny-HT算法的直線檢測(cè)效果始終不如GGS-HT，這是因?yàn)镚GS是一種為專門提取合成孔徑雷達(dá)圖像中的邊緣而提出設(shè)計(jì)的比例性邊緣檢測(cè)算子，而Canny算子更適合應(yīng)用于光學(xué)圖像中提取光學(xué)圖像邊緣，因此Canny算子應(yīng)用于SAR圖像中時(shí)會(huì)產(chǎn)生較多的虛假邊緣。

實(shí)驗(yàn)三：從圖5可以看出，隨著噪聲方差的降低，本發(fā)明提出的IEFA算法檢測(cè)結(jié)果的分?jǐn)?shù)越來越高。當(dāng)噪聲方差大于等于-11dB時(shí)，IEFA方法不能正確檢測(cè)出所有直線，方差小于-11dB時(shí)，可以正確檢測(cè)出所有直線，獲得所有分?jǐn)?shù)；并且這里當(dāng)噪聲最強(qiáng)的時(shí)候，即噪聲方差為-1dB時(shí)，也僅僅有六條直線被錯(cuò)誤檢測(cè)了；因此根據(jù)上述實(shí)驗(yàn)三的結(jié)果得出了本發(fā)明得到具有比較好的抗噪能力的結(jié)論。

實(shí)驗(yàn)四：從實(shí)驗(yàn)過程中發(fā)現(xiàn)，當(dāng)遮擋半徑小于128個(gè)像素時(shí)，每次獨(dú)立實(shí)驗(yàn)提出的IEFA方法都可以準(zhǔn)確檢測(cè)到兩條相交直線的信息；當(dāng)遮擋半徑為128個(gè)像素時(shí)，100次獨(dú)立實(shí)驗(yàn)中IEFA僅有三次沒有準(zhǔn)確測(cè)出兩條直線，在這三次獨(dú)立實(shí)驗(yàn)中檢測(cè)出了一條虛假直線。

實(shí)驗(yàn)四的結(jié)果表明，即使在被遮擋的面積如此之大的情況下，IEFA檢測(cè)直線的準(zhǔn)確率依舊達(dá)到了97％。所以根據(jù)實(shí)驗(yàn)結(jié)果表明本發(fā)明方法具有較好的抗遮擋能力，圖6B～6D顯示了這一點(diǎn)。

實(shí)驗(yàn)五：根據(jù)圖像的不同復(fù)雜程度和情況，分別在三幅圖中檢測(cè)出7條、7條和19條最明顯最相關(guān)的直線；從圖7A可以看出，對(duì)于機(jī)場(chǎng)跑道的情景，IEFA準(zhǔn)確無誤的檢測(cè)出了直線，并且沒有虛假直線；從圖7B可以看出，對(duì)于河流的情景，IEFA檢測(cè)出了兩條虛假直線；從圖7C可以看出，對(duì)于農(nóng)田的情景，IEFA檢測(cè)出了三條虛假直線。由此表明，影響算法檢測(cè)結(jié)果的因素有很多，其中圖像中場(chǎng)景的復(fù)雜度是一個(gè)重要因素；此外，圖像中場(chǎng)景的紋理特征也是一個(gè)影響因素，紋理會(huì)產(chǎn)生一些隨機(jī)對(duì)齊的像素，這些隨機(jī)對(duì)齊的像素有時(shí)候會(huì)被錯(cuò)誤的認(rèn)作兩條相交直線。比如在圖7B中，河岸上方有兩條相交直線，就是受了上方灌木叢圖像紋理因素的影響，把本來應(yīng)該用一條直線表示的河流檢測(cè)成了兩條直線；此外在圖7C中的3條虛假直線很大程度上也是由于村莊的紋理因素導(dǎo)致的，此外，由于農(nóng)田場(chǎng)景會(huì)產(chǎn)生比較嚴(yán)重的相干斑噪聲，因此噪聲也可能是這三條虛假直線產(chǎn)生的原因之一。

總體上，應(yīng)用于實(shí)際情境中，本發(fā)明方法不僅具有良好的抗噪聲能力、良好的抗遮擋能力，最重要的是有較高的檢測(cè)準(zhǔn)確率。

綜上所述，仿真實(shí)驗(yàn)驗(yàn)證了本發(fā)明的正確性，有效性和可靠性。

顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍；這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。