【图像检测】LSD直线检测【含Matlab源码 1697期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、LSD直线提取算法简介

LSD算法由Grompone等2010年在结合Burns所提算法基础上提出，该算法结合图像梯度和方向信息提取直线，主要包括3部分。

1）生成直线支持区域：通过计算每个像素点的梯度，生成对应梯度场，将在一定阈值内且具有相同梯度的像素相连成为直线支持区域，如图1所示。

图1 LSD算法梯度场和直线支持域
2）直线支持区域的矩形拟合：对于每个直线支持区域我们可以观察它的最小外接矩形，矩形的主轴表示直线支持域的主轴方向，且矩形要覆盖整个区域，该最小外接矩形表示直线信息，如图2所示。

图2 直线支持域矩形拟合
3）直线确认：每个拟合的矩形都需要对应一个直线确认步骤，根据Helmholtz原则对拟合矩形进行判断[20]，验证该矩形区域是否可以作为直线提取。Helmholtz原则通过与一个假设的独立分布值为[0,2π]的噪声图相比较，判断是否为直线。在一个分辨率为m×n的图像中，可能出现（nm)5/2种直线支持域，直线支持域中像素总数为n,k为与拟合矩形同方向的像素总数，δ为一个确定的精度，直线区域的错误报警数QNFA定义如下

ε为判定阈值，如果QNFA小于ε，则该直线支持域为直线，原算法中ε取1得到了较好效果，本文也取1。

⛄二、部分源代码

img = imread(‘test.png’);
img_gray = rgb2gray(img);
figure;imshow(img_gray);
[~, lineIm, ~, ~, linesInfo] = LineSegmentDetector( img_gray, 0.3, 0.6, 22.5, 0.7, 1024, 255 );
figure;imshow(lineIm);
function linesInfoOut=LineCoalescer(linesInfo,verThre,latThre)
% linesInfo=LineCoalescer(linesInfo,verThre,latThre)对调整好的线段进行必要的
% 融合。
% 输入：
% 输入包含3个必要参数。
% linesInfo为直线段信息<1xK struct>。.k为直线段斜率；.b为直线段与Y轴交点值；
% .dx为倾角的余弦值；.dy为倾角的正弦值；.x1为直线段起点X坐标；.y1为直线段起点Y
% 坐标；.x2为直线段终点X坐标；.y2为直线段终点Y坐标。
% binNum为角度分隔区间个数<1x1 uint8>。
% verThre为垂直方向线段偏差阈值<1x1 double>。
% latThre为水平方向线段分离阈值<1x1 double>。
% 输出：
% 输出包含1个必要参数。
% linesInfoOut为融合更新后的直线信息结构体的胞元数组<1xN struct>。N小于等于M。
% 示例：
% priLinesInfo=LineCoalescer(priLinesInfo,5,10);
iter1=1;
tempLinesInfo=linesInfo;
%% 将需要融合的线段组旋转到水平后进行融合检测
for i=1:length(tempLinesInfo)
curLine=tempLinesInfo(i);
ang=atand(curLine.k);
if (ang<0)
ang=ang+180;
end;
%% 向右旋转
angDif=0-ang;
X1=curLine.x1cosd(angDif)-curLine.y1sind(angDif);
X2=curLine.x2cosd(angDif)-curLine.y2sind(angDif);
Y1=curLine.x1sind(angDif)+curLine.y1cosd(angDif);
Y2=curLine.x2sind(angDif)+curLine.y2cosd(angDif);
tempLinesInfo(i).x1=X1;
tempLinesInfo(i).y1=Y1;
tempLinesInfo(i).x2=X2;
tempLinesInfo(i).y2=Y2;
end;
while (iter1<=length(tempLinesInfo))
exLen=length(tempLinesInfo);
iter2=iter1+1;
while (iter2<=length(tempLinesInfo))
line1=tempLinesInfo(iter1);
if (iter1iter2)
iter2=iter2+1;
continue;
end;
line2=tempLinesInfo(iter2);
%% 按照长短将待判断融合的直线进行区分
if (line1.len<line2.len)
minLine=line1;
maxLine=line2;
else
minLine=line2;
maxLine=line1;
end;
lenSum=maxLine.len+minLine.len;
maxLineY=(maxLine.y1+maxLine.y2)/2;
minLineY=(minLine.y1+minLine.y2)/2;
%% 两条线段垂直之间距离
curLatDist=abs(maxLineY-minLineY);
%% 如果距离过远大于阈值
if (curLatDist>verThre)
iter2=iter2+1;
continue;
end;
coaFlag=0;
%% 判断线段左右端点之间的关系
maxLineXLeft=maxLine.x1;
maxLineXRigh=maxLine.x2;
minLineXLeft=minLine.x1;
minLineXRigh=minLine.x2;
if (maxLineXLeft>maxLineXRigh)
temp=maxLineXLeft;
maxLineXLeft=maxLineXRigh;
maxLineXRigh=temp;
end;
if (minLineXLeft>minLineXRigh)
temp=minLineXLeft;
minLineXLeft=minLineXRigh;
minLineXRigh=temp;
end;
if (maxLineXLeft<minLineXLeft)
%% 长线段起点在短线段起点左侧
if (maxLineXRigh<minLineXLeft)
%% 长线段终点也在短线段起点左侧（有间隔）
if ((minLineXLeft-maxLineXRigh)<latThre)
coaFlag=1;
end;
elseif (maxLineXRigh<minLineXRigh)
%% 长线段终点在短线段起点右侧，但在短线段终点左侧（有重叠）
coaFlag=1;
else
%% 长线段终点在短线段右侧（覆盖）
coaFlag=1;
end;
else
%% 短线段起点在长线段起点左侧
if (minLineXRigh<maxLineXLeft)
%% 短线段终点也在长线段起点左侧（有间隔）
if ((maxLineXLeft-minLineXRigh)<latThre)
coaFlag=1;
end;
elseif (minLineXRigh<maxLineXRigh)
%% 短线段终点在长线段起点右侧，但在长线段终点左侧（有重叠）
coaFlag=1;
else
coaFlag=1;
%% 短线段终点在长线段右侧（出错）
disp(‘error’);
end;
end;
%% 如果满足融合条件
if (coaFlag1)
%% 融合后的线段的Y坐标按照两线段长短的比重进行分配，长线段的比重大，融合后线段靠近长线段
P1=maxLine.len/lenSum;
P2=minLine.len/lenSum;
newX=[maxLine.x1,maxLine.x2,minLine.x1,minLine.x2];
newY=(P1maxLineY+P2minLineY).ones(1,4);
minX=Inf;
maxX=-Inf;
%% 确认新线段的起始点坐标
for m=1:4
if (newX(m)>maxX)
maxX=newX(m);
maxY=newY(m);
end;
if (newX(m)<minX)
minX=newX(m);
minY=newY(m);
end;
end;
tempLinesInfo(iter1).x1=minX;
tempLinesInfo(iter1).y1=minY;
tempLinesInfo(iter1).x2=maxX;
tempLinesInfo(iter1).y2=maxY;
tempLinesInfo(iter1).len=maxX-minX;
tempLinesInfo(iter2)=[];
else
iter2=iter2+1;
end;
end;
afLen=length(tempLinesInfo);
if (exLen==afLen)
iter1=iter1+1;
end;
end;
%% 将融合后的线段按照倾斜角重新旋转回原角度
for i=1:length(tempLinesInfo)
curLine=tempLinesInfo(i);
ang=atand(curLine.k);
if (ang<0)
ang=ang+180;
end;
X1=curLine.x1cosd(ang)-curLine.y1sind(ang);
Y1=curLine.x1sind(ang)+curLine.y1cosd(ang);
X2=curLine.x2cosd(ang)-curLine.y2sind(ang);
Y2=curLine.x2sind(ang)+curLine.y2cosd(ang);
tempLinesInfo(i).x1=X1;
tempLinesInfo(i).y1=Y1;
tempLinesInfo(i).x2=X2;
tempLinesInfo(i).y2=Y2;
tempLinesInfo(i).b=(Y1+Y2)/2-curLine.k(X1+X2)/2;
end;
linesInfoOut=tempLinesInfo;
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]曹义亲,何恬,刘龙标.基于改进LSD直线检测算法的钢轨表面边界提取[J].华东交通大学学报. 2021,38(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合