Radon 变换原理和应用

Radon 变换原理和应用

前言： 承接 Hough 变换，从简单的直线检测说起，推广到 Radon 变换。介绍了 Radon 变换的基本原理和应用。主要是Hough直线检测的拓展，深度较浅。

上启自：详解 Hough 变换

1. 从直线检测说起

1.1 基本问题

在 详解 Hough 变换 中，对直线检测折腾这么久，已经是个成熟的”直线检测者”了，所以基本问题就不从点分析，直接从图出发。即

如何检测下图（a）中的直线？

当然可以使用 Hough 变换，如直接套用那篇博文中自编的代码就可以得到结果，展示如下：

再简单概述下原理：即，将原空间中的点变换到参数空间，每个原空间的点对应参数空间一条直线。原空间中有N个点就对应参数空间中N个直线。参数空间中直线相交就是表明对应原空间的点共线。参数空间中交点重复次数(亮度)越多，就表明原空间中共线的点越多。这些点连起来就是要求的直线。

注：如果使用 Hough变换 博文中的代码，将 $\theta$ 范围修改下，其实不必 $[0,2\pi ]$，修改为$[0,\pi ]$ 即可。

1.2 另辟蹊径

检测之前一般都是进行边缘提取，我们的目标是检测 图(b) 边缘二值图中是否存在直线，以及，如果存在，表示出这条直线。

先抛弃 Hough 变换的思路，考虑另外想法。

（1） 第一种想法：考虑从不同方向把 (b) 图拍扁（术语叫投影）。比如从两个角度（下图 $A1,A2$ ）拍扁（投影）它，示意如下：

这里使用两个方向 ($\alpha =0$​​​ 和 $\alpha =45°$​​​​ )的光线 $A1,A2$​​​ 对边缘进行投影。假设投影到投影面的位置点的数量越多，投影结果越亮。那么图中，灰色箭头标志的地方会非常亮。因为整条直线的像素点都会投影到该处。

不仅如此，事实上，考察所有投影方向，即 $\alpha \in [0,\pi ]$​ （注意：因为不分正负，所以 $[0,\pi ]$​ 和 [$\pi ,2\pi ]$​ 结果是一样的），最亮的点依旧会是图示中灰色标志的部分。这是直线的特点。

所以，是否我们可以考察所有方向下，对边缘图像进行投影，找到最亮的点（或者达到规定亮度阈值的点，比如存在多条直线）和此时对应的光线方向。 那这条直线不就检测出来了，直线方程不就确定了吗？

先不着急编程实践，再思考另一种想法。

（2）第二种想法：Hough 变换中，有提到可以用 $\theta$ 和 $d$​ 表示一条直线，如下图示意（不懂为何，可以参考 Hough 变换博文）：

其中， $d$ 为圆心到直线距离，$\theta$ 是垂线与 $x$ 轴夹角。那么这一想法就是使用 穷举法 的思想，即

因为 $\theta$ 是有范围的，同时因为在图像中检测直线，所以 $d$ 也是有范围，最大为图像的斜对角距离。于是，我们就考察“所有”的 $\theta$ 和 $d$ ，这里的”所有“取决于你的精度，即 $\theta$ 以及 $d$​​ 各自的离散值取值间隔。来表示图像空间内”所有“的直线。

表示出”所有“直线后，下面我们要做的就是，将直线一条一条的与原图相匹配。记录该直线的点与边缘图中点重叠的个数，把该个数记为该线与图的匹配度。比如取所有线的其中四条，作个示意：

其中，$L1,L2$ 和 $L3,L4$ 故意取了$\theta$ 相同，但 $d$​ 不同所表示的直线（图中L1,L2没有标角度和距离，怕线看起来太乱了）。上面所说的匹配度即该条直线与边缘图中像素重叠数，如$L1$ 与 边缘线没有像素重叠，匹配度就为0，$L4$同理。其中这举例的四条直线中，匹配度最高的是$L2$​。因为它与边缘图中包含直线的所有像素都重合。

不仅如此，事实上，考察所有 $\theta$，距离 $d$ 所表示的直线，匹配度数值最高的依旧会是$L2$。

说到这，你可能会发现，其实这就是所提到的第一种想法的另种思路。只是这里的 $L1,L2,\cdots$​​ 就是第一种想法中的 一条 光线，如 第二种想法里的 $L2$​ 直线其实就是 第一种想法里 $A2$​​​ 方向下，最亮点对应的那一条光线。匹配度也就对应于第一种想法里的亮度，也就是重合度。

唯一的区别和需要注意的是，两个想法中的所用角度表示方法不同（但属于无伤大雅的东西）：前者是光线的倾角，后者是光线垂线的倾角。

1.3 编程实现

基于以上想法，编程，进行直线检测：

注：这里使用想法二中的倾角 θ