2012IPOL_LSD: a Line Segment Detector论文阅读

在这里插入代码片

---

论文信息

• 论文题目：LSD: a Line Segment Detector
• 论文地址：https://www.ipol.im/pub/art/2012/gjmr-lsd/?utm_source=doi
• 发表期刊：2012,IPOL Journal · Image Processing On Line
• 开源代码：https://www.ipol.im/pub/art/2012/gjmr-lsd/?utm_source=doi

---

论文概述

• 论文评价
• 可创新点

---

论文翻译

1.摘要

LSD是一种线性时间线段检测器，可提供亚像素精度的结果。它被设计为在任何数字图像上工作而无需参数调整。它控制自己的错误检测数量：平均而言，每个图像允许一个错误警报[1]。该方法基于Burns、Hanson和Riseman的方法[2]，并根据Desolneux、Moisan和Morel的理论[3，4]使用相反的验证方法。这里描述的版本包含了对我们原始文章[1]中描述的版本的进一步改进。

关键词：直线段检测，逆向方法

2.引言

LSD的目的是检测图像上的局部直线轮廓。这就是我们所说的线段。轮廓是图像中灰度级从暗到亮或相反变化足够快的区域。因此，图像的梯度和水平线是关键概念，如图1所示。

该算法通过计算每个像素处的水平线角度来产生水平线场，即，一个单位向量场，所有向量都与通过其基点的水平线相切。然后，该场被分割成共享相同水平线角度的像素的连接区域，直到某个容差τ。这些连接的区域称为线支持区域，见图2。

每个线支持区域（一组像素）是线段的候选。相应的几何对象（在这种情况下是矩形）必须与它相关联。线支撑区域的主惯性轴被用作主矩形方向;矩形的大小被选择为覆盖整个区域，参见图3。

每个矩形都要经过验证程序。矩形中的像素，其水平线角度对应于矩形的角度，直到公差τ，称为对齐点，见图4。计算矩形中的像素总数n及其对齐点的数量k，并将其用于验证矩形是否为检测到的线段。

验证步骤基于Desolneux、Moisan和Morel提出的相反方法和亥姆霍兹原理[3，4]。所谓的亥姆霍兹原理（Helmholtz principle）指出，不应该在噪声图像上产生感知（或检测）。因此，相反方法提出定义噪声或相反模型H0，其中不存在期望的结构。然后，如果在反向模型中，与观察到的事件一样好的事件的预期数量很小，则事件被验证。换句话说，结构化事件在逆向模型中被定义为罕见事件。
在线段的情况下，我们感兴趣的是对齐点的数量。我们考虑的事件，一条线段在一个逆向模型有尽可能多的或更多的对齐点，在观察到的线段。给定一个图像i和一个矩形r，我们将注意到k（r，i）是对齐点的数量，n（r）是r中的像素总数。然后，与观察到的事件一样好的事件的期望数量是

其中，测试次数Ntest是所考虑的可能矩形的总数，PH0是反向模型H0（下面定义）上的概率，I是H0之后的随机图像。H0随机模型固定了对齐点k（r，I）的数量分布，它只依赖于与I相关的水平线场的分布。因此，H0是图像梯度方向的噪声模型，而不是图像的噪声模型。