馬 瑞，胡立華，左威健，劉愛(ài)琴

(太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 太原 030024)

0 引 言

基于圖像的特征檢測(cè)是實(shí)現(xiàn)三維重建[1]、圖像匹配[2]、物體檢測(cè)[3]以及遙感圖像分析[4]等實(shí)際應(yīng)用的重要步驟之一?；趫D像的特征檢測(cè)主要包括特征點(diǎn)、特征直線和特征區(qū)域，相較于特征點(diǎn)和特征區(qū)域，特征直線具有特征表達(dá)能力強(qiáng)，描述特征幾何信息、特征間拓?fù)潢P(guān)系清晰豐富等優(yōu)點(diǎn)，成為特征檢測(cè)的研究熱點(diǎn)之一。近年來(lái)，基于圖像的特征直線檢測(cè)已廣泛應(yīng)用于SLAM[5]、場(chǎng)景跟蹤[6]、無(wú)人駕駛[7]以及工業(yè)檢測(cè)[8]等系統(tǒng)中。然而針對(duì)場(chǎng)景復(fù)雜、結(jié)構(gòu)各異、紋理重復(fù)嚴(yán)重的對(duì)象，現(xiàn)有特征直線檢測(cè)方法存在嚴(yán)重的斷線以及斷線過(guò)融合的現(xiàn)象，導(dǎo)致出現(xiàn)完整直線數(shù)量較少、錯(cuò)誤檢測(cè)率較高的問(wèn)題。

針對(duì)上述問(wèn)題，文中結(jié)合改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法[9]，提出基本塊的概念，設(shè)計(jì)了一種基于基本塊分組、漸進(jìn)式融合的特征直線檢測(cè)方法。利用新的Helmholtz原理準(zhǔn)則剔除由噪聲等外界干擾形成的虛假特征直線，得到準(zhǔn)確特征直線集。實(shí)驗(yàn)用Matlab 仿真工具進(jìn)行了驗(yàn)證，結(jié)果證明了該算法對(duì)特征直線檢測(cè)的高效性。

1 相關(guān)工作

目前，常見(jiàn)的兩類(lèi)特征直線檢測(cè)方法為：基于圖像空間變換域的特征直線檢測(cè)方法和基于圖像像素信息的特征直線檢測(cè)方法。

基于圖像空間變換域的特征直線檢測(cè)方法是一種全局特征線檢測(cè)方法，其基本思想是在圖像的整體范圍內(nèi)提取特征點(diǎn)，以特征點(diǎn)位置作為驅(qū)動(dòng)數(shù)據(jù)，設(shè)置參數(shù)方程將圖像中的點(diǎn)映射為參數(shù)空間中的點(diǎn)，依據(jù)參數(shù)空間網(wǎng)格進(jìn)行投票累計(jì)，由此將圖像空間中的特征線提取問(wèn)題轉(zhuǎn)化為參數(shù)空間中的極值搜索問(wèn)題。典型算法有：D.H. Ballard提出的Hough變換(HT)[10]，它將圖像域中的全局模式檢測(cè)問(wèn)題轉(zhuǎn)化為參數(shù)空間中的有效峰值檢測(cè)問(wèn)題，但是該算法存在復(fù)雜的閾值設(shè)置問(wèn)題，對(duì)紋理清晰的圖像及低對(duì)比度區(qū)域出現(xiàn)錯(cuò)誤檢測(cè)，且算法計(jì)算量大，內(nèi)存消耗大。因此，近幾十年來(lái)學(xué)者們對(duì)HT的缺點(diǎn)進(jìn)行了仔細(xì)的研究并提出許多改進(jìn)方法。如廣義霍夫變換(GHT)[11]、隨機(jī)霍夫變換(RHT)[12]、數(shù)字霍夫變換(DHT)[13]等，這些算法主要集中在提高HT的效率，僅僅提供特征直線的長(zhǎng)度和它與軸線的夾角，不提供關(guān)于特征直線端點(diǎn)的信息。Matas J等人[14]嘗試使用錯(cuò)誤檢測(cè)機(jī)制來(lái)自動(dòng)設(shè)置檢測(cè)閾值，然而該方法在實(shí)際應(yīng)用中時(shí)間復(fù)雜度較高，缺乏可伸縮的終止準(zhǔn)則。Atiquzzaman M等人[15]提出了確定一條線的長(zhǎng)度和端點(diǎn)的算法，具有高計(jì)算性，不適合實(shí)時(shí)應(yīng)用。Chao X等人[16]提出了一種基于改進(jìn)隨機(jī)霍夫變換的線檢測(cè)算法，利用像素梯度方向差的概念，計(jì)算每個(gè)邊緣組中相鄰像素的梯度方向差。盡管研究者對(duì)HT算法做了如此多改進(jìn)，但基于Hough的方法都有一個(gè)共同的缺點(diǎn)，即它們的性能取決于邊緣檢測(cè)的質(zhì)量，這是因?yàn)樗鼈兪褂玫氖沁吘売成涠皇窃紙D像。

基于圖像像素信息的特征直線檢測(cè)方法是一種局部感知組合法，其基本思想是從圖像中提取邊緣灰度或梯度等局部信息，利用局部特征的相鄰性、延續(xù)性等幾何關(guān)系確定候選直線區(qū)域。典型算法有：董晶等人[17]提出邊緣主方向和圖像梯度方向相結(jié)合的算法，該算法結(jié)合主元方向和梯度方向信息連接方向相似的邊緣，增強(qiáng)了候選直線段的抗干擾性，但是算法參數(shù)較多，線段碎片化嚴(yán)重，無(wú)法完整檢測(cè)交叉線特征；戴激光等人[18]提出基于邊緣跟蹤的算法，但算法計(jì)算復(fù)雜度較高；Akinlar等人[19]提出基于邊緣信息的檢測(cè)算法(edge drawing lines，EDLines)，該算法能夠在較短時(shí)間內(nèi)給出比較準(zhǔn)確的直線檢測(cè)結(jié)果，但對(duì)弱邊緣圖像特征檢測(cè)不準(zhǔn)確；Lu等人[20]提出一種自適應(yīng)參數(shù)的 Canny算法，該算法直接從圖像或包含所有結(jié)構(gòu)信息的邊緣圖中提取共線點(diǎn)簇進(jìn)行擴(kuò)展合并，利用最小二乘擬合方法檢測(cè)特征直線，但其依賴(lài)于邊緣檢測(cè)方法，對(duì)噪聲敏感；Gioi等人[21]提出一種快速的特征線段檢測(cè)算法(line segment detector，LSD)，該算法通過(guò)圖像各像素梯度方向進(jìn)行矩形擬合，利用Helmholtz原理進(jìn)行驗(yàn)證產(chǎn)生準(zhǔn)確線段，并在低水平上控制誤檢測(cè)的數(shù)量，具備運(yùn)行速度快，算法參數(shù)能夠自適應(yīng)等一系列顯著優(yōu)點(diǎn)，被看作是現(xiàn)代特征線檢測(cè)算法的一個(gè)標(biāo)桿；Cho等人[22]提出一種基于線段片(Linelet)算法，該算法在圖像數(shù)字化后，用一組水平或垂直方向上可連成特征線的像素點(diǎn)集來(lái)模擬圖像空間中特征線的內(nèi)在屬性，但針對(duì)高分辨率圖像易產(chǎn)生過(guò)分割現(xiàn)象。Almazan 等人[23]提出融合圖像域中的感知組合法以及Hough域中的全局積累法的優(yōu)點(diǎn)來(lái)檢測(cè)特征線，然而易將特征線段分割成多個(gè)特征線段；Yang Liu等人[24]在LSD算法的基礎(chǔ)上提出基于長(zhǎng)度的特征線實(shí)時(shí)檢測(cè)器LB-LSD，融合了圖像中的梯度信息和結(jié)合邊緣鏈接思想進(jìn)行特征線檢測(cè)，結(jié)果出現(xiàn)過(guò)融合現(xiàn)象，錯(cuò)誤檢測(cè)較多。

BPC_GF算法的主要工作有以下幾點(diǎn)：(1)目前人工場(chǎng)景中的大多數(shù)建筑都具有結(jié)構(gòu)化構(gòu)造，很容易用直線來(lái)勾勒，并且圖像中直線結(jié)構(gòu)類(lèi)似邊緣屬性，其精度取決于邊緣檢測(cè)的質(zhì)量，因此文中采用改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法檢測(cè)圖像邊緣點(diǎn)的屬性；(2)針對(duì)現(xiàn)有的特征直線檢測(cè)器在場(chǎng)景復(fù)雜、紋理重復(fù)的圖像中易將感知上單一的直線段過(guò)分割成多條短線段的缺點(diǎn)，結(jié)合貪心算法引入基本塊概念，提出了一種基于基本塊分組與漸進(jìn)式融合的特征直線檢測(cè)方法，從而克服了短線段之間的重疊；(3)針對(duì)圖像易受噪聲、光照、尺度變化等影響在基本塊的融合過(guò)程中易發(fā)生過(guò)融合現(xiàn)象，導(dǎo)致特征直線的錯(cuò)誤檢測(cè)率升高，采用了一種新的基于Helmholtz原理的特征直線驗(yàn)證準(zhǔn)則，以確定檢測(cè)出的特征直線的準(zhǔn)確性。

2 基本概念

給定灰度圖像I,采用改進(jìn)的自適應(yīng)Canny算子[9]進(jìn)行邊緣檢測(cè)后得到n個(gè)邊緣像素點(diǎn)集P={Pi(Mi,Gi,Xi),i∈[1,n],Mi∈[0,255],Gi∈[0,360]}，其中Mi為邊緣點(diǎn)Pi的梯度幅值，Gi為邊緣點(diǎn)Pi的梯度方向，Xi(xi,yi)為邊緣點(diǎn)Pi的幾何位置坐標(biāo)信息?；谶吘壭畔Ⅻc(diǎn)集P，給出如下定義：

定義1 瞄點(diǎn)K：在給定邊緣像素點(diǎn)集P中，K(MK,GK,XK)為瞄點(diǎn)當(dāng)且僅當(dāng)滿足如下條件：

(1)

定義2 次瞄點(diǎn)SK：設(shè)K為邊緣像素點(diǎn)集P的瞄點(diǎn)，K的次瞄點(diǎn)SK(MSK,GSK,XSK)滿足如下條件：

(2)

其中，N_8(K)表示瞄點(diǎn)K的八鄰域信息。

定義3 搜索方向SD(A,B)：給定當(dāng)前圖像I內(nèi)任一特征邊緣點(diǎn)A(MA,GA,(xA,yA))及相鄰特征邊緣點(diǎn)B(MB,GB,(xB,yB))。如果點(diǎn)B在點(diǎn)A的左右位置時(shí)代表橫向搜索SDH，上下位置時(shí)代表縱向搜索SDV，左下右上位置時(shí)代表45°斜向搜索SDS45°，左上右下位置時(shí)代表135°斜向搜索SDS135°，則當(dāng)前邊緣點(diǎn)A,B可確定的搜索方向SD(A,B)形式化描述為：

(3)

定義4 基本塊C：給定邊緣點(diǎn)集P、瞄點(diǎn)K及次瞄點(diǎn)SK，若像素點(diǎn)子集{K,SK,Pi,Pi+1,…,Pi+j}滿足如下條件時(shí)，則可構(gòu)成基本塊C：

(4)

從定義1、2出發(fā)，邊緣點(diǎn)集之間依照不同的搜索方向(定義3)，如果滿足定義4則可構(gòu)成基本塊，由此基本塊可劃分為：橫向基本塊H、縱向基本塊V、45°斜向的基本塊S45、135°斜向的基本塊S135。

定義5 基本塊C的長(zhǎng)度LC：設(shè)P1(M1,G1,X1)，P2(M2,G2,X2)為基本塊C的起始邊緣像素點(diǎn)和終止邊緣像素點(diǎn)，則基本塊C的長(zhǎng)度為：

LC=Dist(X1,X2)

(5)

其中，函數(shù)Dist()計(jì)算基本塊C的歐氏距離。

定義6 主方向角θ：給定基本塊C，C的主方向角θ可通過(guò)下面步驟計(jì)算：

(1)計(jì)算C={Pi(Mi,Gi,Xi),0

(6)

(2)對(duì)基本塊C內(nèi)所有特征邊緣點(diǎn)Pi的水平線角求均值即為基本塊的主方向角：

(7)

定義7 基本塊間空間距離S：給定基本塊Ci鄰域內(nèi)的同類(lèi)基本塊Cj，Ci、Cj鄰近端點(diǎn)的橫坐標(biāo)或縱坐標(biāo)的偏移量ζ、μ滿足0≤ζ≤2或0≤μ≤2時(shí)，計(jì)算兩基本塊間的歐氏距離S(Ci,Cj)：

(8)

S(Ci,Cj)=Dist(ci,cj)

(9)

其中，Ci,Cj兩端邊緣像素點(diǎn)坐標(biāo)分別為(xi1,yi1)、(xi2,yi2)和(xj1,yj1)、(xj2,yj2)；ci,cj表示為Ci,Cj鄰近端點(diǎn)。

定義8 自適應(yīng)空間距離標(biāo)準(zhǔn)τs：如果基本塊間空間距離S小于τs，則基本塊可以進(jìn)行分組。

τs=ξ·LCi

(10)

由于每個(gè)基本塊的長(zhǎng)度是隨機(jī)的，如果僅用基本塊的長(zhǎng)度和基本塊間空間距離S做比較，其檢測(cè)結(jié)果的誤差明顯較大，所以引入?yún)?shù)ζ，其取值0<ζ<1。

3 算法思想及其流程

BPC_GF算法主要分為三個(gè)關(guān)鍵步驟：基本塊劃分、基本塊分組融合、錯(cuò)誤特征線的剔除。算法的整體設(shè)計(jì)流程如圖1所示。

圖1 算法流程

3.1 基本塊劃分

依據(jù)每個(gè)邊緣像素之間梯度、灰度的屬性，將同一搜索方向的邊緣像素劃分成不同類(lèi)型的基本塊，從而進(jìn)行分組融合，使得特征直線檢測(cè)更準(zhǔn)確。邊緣像素劃分為基本塊的算法流程如下：

算法1：邊緣像素劃分基本塊算法。

輸入：灰度圖像I

輸出：圖像I的基本塊集C={Ci,Ci∈{H={Hi，0

(1)采用改進(jìn)的自適應(yīng)Canny方法獲得圖像I的邊緣點(diǎn)集P={Pi(Mi,Gi,Xi),i∈[1,n],Mi∈[0,255]，Gi∈[0,360]}

(2)依照邊緣點(diǎn)的幅值信息對(duì)所有邊緣點(diǎn)集進(jìn)行降序排序

(3)初始化基本塊C=Φ

(4)For eachPi∈Pdo

(5)Find the pointsK(由定義1確定) andSK(由定義2確定) in thePaccording to definitions 1 and 2

(6)According toKandSKCompute the direction of search SDi,SD={SDH,SDV,SDS45,SDS135}

(7)AddKandSKtoCi，Ci∈{H={Hi，0

(8)WhilePi∈N_8(SK) and satisfy SD(Pi,SK)∈SD(SK,K) do

(9)AddPitoCi

(10)K=SK

(11)SK=Pi

(12) end while

(13) if length(Ci)≥ 3, then

(14)C=C∪Ci

(15) End if

(16) Delete edge pixel in theC,updateP

(17)End for

3.2 基本塊分組融合

經(jīng)過(guò)3.1過(guò)程后圖像中的邊緣像素點(diǎn)被合理分配到不同基本塊中，基于單個(gè)基本塊長(zhǎng)度較短，因此，依據(jù)相鄰基本塊間主方向角相近且空間距離較小的特點(diǎn)，將滿足以下兩個(gè)約束條件的同類(lèi)型基本塊進(jìn)行分組融合。

(1)基本塊間的空間距離(定義7)滿足一定的自適應(yīng)空間距離標(biāo)準(zhǔn)τs(定義8)；

(2)基本塊間的主方向角(定義6)之差Δθ滿足一定的自適應(yīng)空間角度標(biāo)準(zhǔn)τθ。

以橫向基本塊集為例，基本塊分組融合算法基本流程如下：

算法2：基本塊分組融合算法。

輸入：橫向基本塊集H={Hi，0

輸出：圖像中的特征線及特征線的條數(shù)num

(1)計(jì)算H中基本塊的長(zhǎng)度L，并進(jìn)行降序排序

(2)計(jì)算H中基本塊的主方向角θ

(3)初始化線段集合:D=H,GroupG=Φ

(4)forD1∈Ddo

(5)L1=MAXlength(D1)

(6) For eachDi∈D-1 do

(7)Ifθ(Di)-θ(D1)<τθthen

(8)G=G∪Di

(9)End if

(10)End for

(11)P=Φ

(12)For eachGi∈Gdo

(13) IfS(Gi,D1)<τsthen

(14)P=P∪Gi

(15) End if

(16)End for

(17)R=Φ

(18)ForD2∈Pdo

(19)M=MergeTwoLines(D1,D2)

(20) IfM≠Φthen

(21)D1=M

(22)R=R∪D2

(23)End if

(24) End for

(25)D=DR

(26)End for

同理，檢測(cè)其余三類(lèi)基本塊中的特征直線。

3.3 Helmholtz原理準(zhǔn)則驗(yàn)證

在對(duì)基本塊進(jìn)行劃分時(shí),由于邊緣檢測(cè)得到邊緣像素的密集區(qū)域容易對(duì)基本塊產(chǎn)生錯(cuò)誤判斷，而邊緣像素稀疏區(qū)域由于噪聲影響導(dǎo)致基本塊錯(cuò)誤分布，從而影響特征直線檢測(cè)，因此為使檢測(cè)到的特征直線更精確，對(duì)檢測(cè)結(jié)果進(jìn)行驗(yàn)證已成為直線檢測(cè)算法的重要步驟之一。常用于驗(yàn)證所檢測(cè)直線的準(zhǔn)確性的方法為Helmholtz原理，如：LSD、cannyline及EDline。

在LSD檢測(cè)算法中，建立了抑制虛假線段出現(xiàn)的數(shù)學(xué)模型，模型假設(shè)梯度方向是獨(dú)立的，并且在圖像中均勻分布，與“零假設(shè)”的顯著偏差具有相關(guān)性，并揭示了線段的存在，因此該方法是一種反向準(zhǔn)則。在含有特征線的情況下，考慮噪聲模型中的虛警特征直線具有與所觀測(cè)的真實(shí)特征直線一樣多或更多對(duì)齊邊緣點(diǎn)的事件。如果隨機(jī)期望很小，則感知上是有意義的。定義一個(gè)“虛假警報(bào)的數(shù)”(number of false alarms，NFA)即：

NFA(s,p)=γNLB(|s|,ks,p)

(11)

(12)

其中，s是圖像中檢測(cè)到的特征直線，|s|是s的矩形擬合區(qū)域，ks是矩形內(nèi)與特征線方向?qū)R的像素點(diǎn)，p是隨機(jī)像素q具有相同方向的概率，NL是圖像中可能的特征直線數(shù)，γ是歸一化值，B(|s|,ks,p)是二項(xiàng)分布。

LSD算法中的驗(yàn)證步驟只查找了與擬合矩形的主方向軸完全對(duì)齊的像素點(diǎn)，為了克服檢測(cè)出的直線的碎片化，Yohann Salaün等人[25]將驗(yàn)證公式進(jìn)行推廣，以LSD算法中短線段S={s1,s2,…,sn}為基準(zhǔn)進(jìn)行融合驗(yàn)證。

BPC_GF中圖像中檢測(cè)到的特征直線是由多個(gè)空間距離相近，主方向角相似的基本塊融合而成的直線。因此，通過(guò)檢測(cè)構(gòu)成一條特征直線的每個(gè)基本塊的NFA與該特征直線的NFA進(jìn)行比較來(lái)判斷該特征直線是否檢測(cè)正確。假設(shè)一幅圖像大小為M*N，則定義一條特征直線的NFA為：

1)B(|Ci|,kCi,p)

(13)

其中，m是基本塊融合后的特征直線，MN5/2是圖像中可能的特征直線數(shù)目，n是檢測(cè)到的特征直線中的基本塊數(shù)。

為了計(jì)算特征直線中各個(gè)基本塊的NFA，可采用LSD中使用的相同背景和對(duì)象模型，其表達(dá)式同LSD。

(14)

通過(guò)上式計(jì)算如果F<0,則認(rèn)為分組融合后的特征直線是有意義的。

4 實(shí)驗(yàn)結(jié)果與分析

算法實(shí)驗(yàn)的環(huán)境為:Windows 10操作系統(tǒng)，2.3 GHz Intel(R) Core(TM) i5處理器，4 GB內(nèi)存；山西太原晉祠圖像采集工具參數(shù)為像素1 200萬(wàn)的三星智能手機(jī)，中國(guó)科學(xué)院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室提供的三維重建數(shù)據(jù)集[26]采集設(shè)備為佳能EOS 5D，采集圖像像素為4 368*2 912?；谏鲜霏h(huán)境，采用Matlab編程語(yǔ)言，以山西晉祠和中科院三維重建數(shù)據(jù)集為對(duì)象，實(shí)現(xiàn)了基本塊檢測(cè)分組、漸進(jìn)式融合、特征驗(yàn)證的直線檢測(cè)算法。文中的對(duì)比實(shí)驗(yàn)的源代碼可以在網(wǎng)上公開(kāi)獲取。其中實(shí)驗(yàn)操作時(shí)首先需對(duì)采集圖像進(jìn)行預(yù)處理，處理后的圖像像素為640*480。

4.1 算法參數(shù)分析

BPC_GF算法涉及到的關(guān)鍵參數(shù)分別為:Canny邊緣檢測(cè)時(shí)的高斯濾波參數(shù)δ，高閾值τh，低閾值τl，主方向角偏差閾值τθ與空間距離閾值τs，系數(shù)ζ，其中δ，τh，τl默認(rèn)使用改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法[9]中的參數(shù),τθ進(jìn)行自定義，τs根據(jù)基本塊的長(zhǎng)度和ζ而定，ζ是用來(lái)計(jì)算距離偏差的系數(shù)，檢測(cè)結(jié)果最終采用圖像中檢測(cè)到的特征線數(shù)量進(jìn)行判斷。為了驗(yàn)證參數(shù)值對(duì)圖像特征線檢測(cè)的影響，在數(shù)據(jù)集上隨機(jī)選取三幅古建筑圖像進(jìn)行檢測(cè)，表1表示參數(shù)τθ與ζ的選取對(duì)圖像特征線檢測(cè)結(jié)果的影響。

表1 τθ與ζ取值對(duì)直線結(jié)果的影響

從表1中可以看出，當(dāng)參數(shù)設(shè)置為τθ>pi/8,ζ>0.1時(shí)，算法檢測(cè)效果逐漸變差，當(dāng)參數(shù)設(shè)置為τθ<=pi/8,ζ>=0.1時(shí)，算法檢測(cè)結(jié)果基本保持穩(wěn)定變化。由表1可知，當(dāng)τθ=pi/10、ζ=0.1時(shí)圖像中檢測(cè)到的直線不再受參數(shù)取值的影響，且檢測(cè)到的特征直線最多，因此，將τθ=pi/10、ζ=0.1作為BPC_GF算法實(shí)驗(yàn)的參數(shù)設(shè)置。

4.2 算法量化分析

為了更加清楚地說(shuō)明BPC_GF算法檢測(cè)的特征直線性能，記TP(true positive)為真正例，即正確檢測(cè)到的特征線的數(shù)量，F(xiàn)P(false positive)為假正例，即錯(cuò)誤檢測(cè)到的特征線的數(shù)量；FN(false negative)為假反例,即漏檢的特征線的數(shù)量，然后通過(guò)以下3個(gè)評(píng)價(jià)指標(biāo)對(duì)算法進(jìn)行客觀定量的評(píng)估。

(1)精確率(precision)，表示在檢測(cè)到的所有特征直線中檢測(cè)正確的特征直線所占的比例，計(jì)算公式如下所示：

(15)

(2)召回率(recall)，表示在檢測(cè)到的所有特征線中檢測(cè)正確的特征線所占人工標(biāo)注圖像中的比例，計(jì)算公式如下所示：

(16)

(3)F-得分(F-score)，表示精確率和召回率的調(diào)和平均數(shù)，計(jì)算公式如下所示：

(17)

其中，β為精確率和召回率的比值，BPC_GF算法認(rèn)為精確率和召回率同樣重要，因此設(shè)β=1。采用不同算法即LB-LSD、LSD、Linelet、Cannylines和BPC_GF對(duì)圖像數(shù)據(jù)集上隨機(jī)選取的100幅古建筑圖像進(jìn)行實(shí)驗(yàn)，其精確度、召回率、F-得分如圖2所示。與其他方法相比，BPC_GF方法具有更高的檢測(cè)性能。不同算法的平均量化評(píng)測(cè)結(jié)果如表2所示。

(a)精確度

(b)召回率

(c)F-得分

表2 不同算法在所給數(shù)據(jù)集上的量化評(píng)測(cè)結(jié)果

由此可得出，BPC_GF算法在特征直線檢測(cè)的精確率方面明顯優(yōu)于現(xiàn)有的算法；在召回率方面，Linelet算法的效果最好，主要原因在于Linelet算法是基于圖像中像素局部特征來(lái)進(jìn)行特征線檢測(cè)。根據(jù)實(shí)驗(yàn)，以像素的梯度導(dǎo)向?yàn)橹笇?dǎo)對(duì)像素進(jìn)行劃分的特征直線檢測(cè)有利于特征直線召回率檢測(cè)。BPC_GF算法在邊緣檢測(cè)基礎(chǔ)上對(duì)像素進(jìn)行基本塊劃分，綜合考慮算法在精確率和召回率兩個(gè)方面的性能，BPC_GF算法均取得了較好的結(jié)果。

4.3 算法時(shí)間分析

對(duì)圖像在不同算法檢測(cè)情況下的時(shí)間復(fù)雜度進(jìn)行分析，如圖3所示。從圖中可以看出，對(duì)于同一幅圖像，BPC_GF算法的時(shí)間最短，相較于最新的LB-LSD算法，BPC_GF算法的時(shí)間性能提高了約20%。

圖3 在同一圖像上不同算法檢測(cè)所用時(shí)間比較

4.4 算法效果對(duì)比

為進(jìn)一步驗(yàn)證BPC_GF算法的性能，在古建筑數(shù)據(jù)集上隨機(jī)選取三幅灰度圖像進(jìn)行不同算法的檢測(cè)，不同算法上的特征檢測(cè)結(jié)果如圖4所示。

圖4 數(shù)據(jù)庫(kù)中不同圖像在不同算法上的檢測(cè)結(jié)果

從檢測(cè)的結(jié)果中可以看出，LB-LSD算法檢測(cè)的線段長(zhǎng)度長(zhǎng)，但是檢測(cè)數(shù)量少，檢測(cè)錯(cuò)誤率較高；LSD、Linelet算法檢測(cè)的線段數(shù)量較多，但是線段的碎片化比較嚴(yán)重，導(dǎo)致將感知上單一線段在交點(diǎn)處分割成多個(gè)短線段；Cannylines 算法沒(méi)有克服圖像的寬像素邊緣；BPC_GF算法精準(zhǔn)地檢測(cè)到的圖像中的線段，能夠很好地呈現(xiàn)圖像的輪廓。

5 結(jié)束語(yǔ)

針對(duì)場(chǎng)景復(fù)雜紋理重復(fù)的圖像直線提取中存在斷線、誤檢的問(wèn)題，提出了BPC_GF算法，算法具有以下優(yōu)點(diǎn)：(1)利用改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法提取圖像邊緣點(diǎn)，提高了邊緣檢測(cè)的質(zhì)量，為特征直線檢測(cè)奠定了基礎(chǔ)；(2)提出對(duì)邊緣像素點(diǎn)進(jìn)行基本塊劃分，分組融合，克服了短線段之間的重疊檢測(cè)；(3)提出新的基于Helmholtz原理的特征直線驗(yàn)證準(zhǔn)則，提高了特征直線檢測(cè)的效率。經(jīng)仿真實(shí)驗(yàn)和實(shí)際應(yīng)用分析，BPC_GF算法檢測(cè)效率更高。