数字图像中的条带噪声方向检测研究.doc

毕业设计（论文）

题目 数字图像中的条带噪声方向检测研究

学生姓名 学号
专业 电子信息科学与技术 班级
指导教师
评阅教师

完成日期 年 月 日

毕业设计（论文）课题任务书
（ 2014----2015学年）
学院名称：计算机与信息学院
课题名称
数字图像中的条带噪声方向检测研究
学生姓名

专业
电子信息科学与技术
学号

指导教师

任务书下达时间
2014年 10 月 31 号
课题概述：

数字图像中的条带噪声往往具有明显的方向性，方向性的有效检测是去除条带噪声干扰的关键所在。本课题希望学生能够利用所学的数字图像处理的基本原理，从图像中的直线检测这一基本问题出发，结合条带噪声的分布规律，深入研究条带噪声产生的机理，对数字图像中所存在的条带噪声进行有效的方向性检测，并验证检测的准确性，分析误差产生的原因。
要求阅读或检索的参考资料及文献：
1. 翻译：On Detection of Multiple Object Instances Using Hough Transforms
2. A test framework for the accuracy of line detection by Hough Transforms
3. Striping Noise Detection and Correction of Remote Sensing Images
4. Subspace-Based Striping Noise Reduction in Hyperspectral Images
5. A gridding Hough transform for detecting the straight lines in sports video
6. Frequency-domain Regularized Deconvolution for Images with Stripe Noise
7. 基于边缘方向图的建筑物直线特征提取
8. 二值图像中直线拟合误差与直线方向的关系
9. 基于相位一致性的纹理方向检测和感知方向性度量
10. 基于图像细化的疲劳断口图像条带周期测量
11. 金属断口图像分类与条带周期测量技术研究
12. 线扫描图像中条带噪声去除方法研究
13. 基于方向滤波器消除遥感图像孤立条带噪声的方法
14. 中分辨率遥感图像条带噪声的去除
15. 基于小波变换的多波段遥感图像条带噪声的去除
16. 基于灰度特性的红外图像条带噪声滤除

学位论文原创性声明

本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。

作者签名： 年 月 日

学位论文版权使用授权书

本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权省级优秀学士学位论文评选机构将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
本学位论文属于
1、保密 □，在_________年解密后适用本授权书。
2、不保密 □。
（请在以上相应方框内打“√”）

作者签名： 年 月 日

导师签名： 年 月 日

目 录

摘 要…………………………………………………………………
前 言……………………………………………………………………
1绪论……………………………………………………………………
1.1研究背景及意义……………………………………………………
1.2国内外研究现状……………………………………………………
1.3本文研究内容……………………………………………………
2 条带噪声的基本概念
2.1条带噪声形成的原因及影响………………………………………
2.2条带噪声的特征分析………………………………………………
2.2.1周期性………………………………………………
2.2.2方向性………………………………………………
3条带噪声方向性检测的技术分析………………………………
3.1基于霍夫变换的直线检测原理…………………………………
3.2方向性判断原理………………………………………………
3.3对条带噪声进行方向性检……………………………………
3.4本章小结…………………………………………………………
4基于MATLAB的仿真数据………………………………………………
4.1图像+加躁…………………………………………………………
4.2前人方向性检测的方法……………………………………
4.3本文使用的检测的方法……………………………………………
4.4验证检测的准确性……………………………………………
4.5分析误差产生的原因……………………………………………
5真实的数据…………………………………………………………
6总结…………………………………………………………
5.1本文完成的主要工作………………………………………………
5.2未来研究展望………………………………………………
致谢…………………………………………………………
参考文献…………………………………………………………
附录…………………………………………………………

数字图像中的条带噪声方向检测研究

学 生：徐 冰
指导教师：黄 瑶
（三峡大学 计算机与信息学院）

摘要：图像在收集、存储和传输过程中经常会受到各类噪声的干扰, 主要分为系统噪声( 周期性噪声)和随机噪声两种, 其中条带噪声是最常见的系统噪声。条带噪声是图像中具有一定周期性、方向性且呈条带状分布的一种特殊噪声, 主要是在采集图像的过程中, 由于光电传感器——线阵CCD 器件反复扫描的物成像,受扫描探测元正反扫描响应差异、传感器机械运动和温度变化等影响造成的。由于条带噪声的出现掩盖了图像中真正的有用信息, 使图像的质量下降, 给图像识别和判读造成了不利的影响。而方向性的有效检测是去除条带噪声干扰的关键所在，因此, 在图像识别和判读之前,利用小波变换对信号奇异点检测的优越性, 检测出条带噪声在小波系数中的周期性分布规律，根据条带噪声产生的机理，对条带噪声进行有效的方向性检测，并验证检测的准确性，分析误差产生的原因，然后消除该噪声。处理后图像目视效果良好, 功率谱基本保留了原图像功率谱的变化趋势, 表明在有效去除条带噪声的同时, 较好地保留了图像中的有用信息。

关键字：条带噪声；周期性；方向性检测；小波变换；功率谱

Abstract: Images in the collection, storage, and transmission process will often affected by all kinds of noise interference, mainly divided into the system noise, periodic noise and random noise, the stripe noise is the most common system noise. Stripe noise is in the image has certain periodicity, directional and zonal distribution of a special noise, mainly in the process of collecting image, because of the photoelectric sensor, linear CCD device repeatedly scan imaging, by scanning probe yuan positive and negative scan response differences, sensors, mechanical movement and the temperature change, etc. Due to the presence of the stripe noise to cover up the real useful information in the image, the image quality drop, the adverse effects caused image recognition and interpretation.And directional effective detection is the key to remove stripe noise, therefore, before the image recognition and interpretation, using the advantages of wavelet transform to the signal singularity detection, detect the periodic distribution of strip noise in wavelet coefficient, according to the mechanism of strip noise, for detecting the direction of the stripe noise effectively, and to verify the exactness of the testing, analysis of the causes of error, and then eliminate the noise.After processing the image visual effect is good, basic retain the original image power spectrum trend of the power spectrum showed that the effective removal of stripe noise at the same time, better retain the useful information in the image.

Keywords: Stripe noise ；Periodically；Directional detection；Wavelet transform；Power spectrum

前言
卫星遥感成像是对地观测的重要手段之一，在国家安全、国民经济、科学研
究和人民生活等方面有重要作用。卫星遥感利用地物目标的辐射特性以及对电磁
波的反射特性，实现对地表信息的间接获取。遥感卫星图像需要真实、客观的反
映地物特征，然而，由于星载成像系统处于复杂的电磁环境，卫星内部电路系统
众多，CCD 器件的工艺缺陷等，在获取和传输图像的过程中会引入大量噪声，严重降低对地观测信息获取的图像质量,给后期的图像处理和人眼视觉判读带来障碍。因此，对卫星成像系统获得的遥感图像进行数据预处理，降低成像系统中引入的各种噪声，提高遥感图像的质量和准确度，为后期压缩编码、数据传输、判读解译、目标识别等工作能够顺利进行并取得良好结果提供前提和保证，是获取遥感图像后需要完成的首要工作。在星载成像系统获取图像的过程中，实际系统受到的噪声干扰多种多样，不同的环境干扰和系统缺陷会对遥感图像引入分布和统计特性截然不同的噪声，例如成像过程中受电磁干扰产生的服从高斯分布或泊松分布的热噪声、由于线阵 CCD像元响应不均引起的具有一定方向性的条带噪声和由于成像系统的故障和缺陷及电气开关、继电器改变状态引起的脉冲噪声等。这些噪声具有明显不同的特征，对数据产生的干扰在图像中的表现形式也不同，使用一种降噪算法难以对它们进行有效的抑制。例如能够有效抑制高斯噪声的小波软阈值降噪算法在条带噪声和脉冲噪声面前就显得束手无策。因此，处理不同种类的噪声，必须针对它们各自的机理和特性分别加以消除，才能真正达到抑制图像噪声，提高图像质量的效果。另一方面，遥感图像信号有其自身显著的细节丰富、边缘和纹理方向性显著等特点，图像降噪的本质就是寻找信号和噪声之间的不同特征并利用这些特征将其分开。国内外目前还没有分析遥感图像的信噪特征，并利用这些特征针对不同噪声采用不同方法进行降噪的专门文献。本文在分析总结星载成像系统工作机理的基础上，探讨卫星遥感图像信号和噪声的源特性，并利用各自不同的源特性，将信号和噪声分开。从实际系统角度出发，对不同类型噪声分别加以处理。主要工作内容如下：
1. 星载可见光成像系统中噪声的来源和特性分析：在分析噪声产生机理的基础上介绍了成像过程中光电散粒噪声、读出噪声、条带噪声和脉冲等的来源和特点。对存在于遥感图像中的噪声进行分类，总结和探讨了泊松噪声、高斯噪声、条带噪声和脉冲噪声等各类噪声的统计特性和数学模型。
2. 线阵扫描 CCD 条带噪声抑制方法研究：摘 要分析研究线阵沿轨扫描 CCD 传感器内部每一个像元在光谱响应区内的响应函数不一致造成的遥感图像条带噪声。在分析遥感 CCD 图像孤立条带噪声产生原因和噪声模型的基础上，提出基于二维方向滤波器抑制条带噪声的方法。该方法利用窄带方向滤波器良好的图像纹理方向的频率选择特性，将条带噪声与图像其它信息分离到不同的方向滤波器子带内,并在水平信息子带内采用均值补偿方法去除条带噪声。实验结果证明它不仅能有效去除 CCD 图像中的随机孤立条带噪声，还能保持原始图像的辐射入射幅度，保留细节信息。较传统的方法相比，性能有较大的提高。
3. 基于信噪特征的图像高斯白噪声抑制方法研究：
分析研究了成像过程中以读出噪声为代表的高斯白噪声特征，并利用遥感图
像富含边缘和纹理等具有方向信息的二维数据特征，提出基于自适应方向提升小
波变换的遥感图像降噪方法。该方法构建于传统提升小波变换框架之上，分析图
像的局部方向信息，并使每一个提升步骤都沿着图像局部像素相关性最强的方向
进行变换，实现局部最大去相关性，将图像中边缘和纹理产生的高频信息尽可能
的压缩到低频子带，从而克服了传统小波缺乏灵活的方向选择性的缺点。方向提
升小波将噪声产生的无方向性的高频信息留在高频子带，从而实现将图像的纹理
和噪声在小波域更好的分开。通过阈值策略对高频系数进行处理，就可以实现在
降噪的过程中尽可能的保留图像边缘信息，这一特点在富含边缘、纹理和小目标
的遥感图像降噪中非常重要。
4. 基于两级插值的图像脉冲噪声去除方法研究：
分析研究星载成像系统脉冲噪声的特点，提出一种基于非均匀下采样和分段自回归插值的去除图像脉冲噪声的新方法。根据脉冲噪声的特点：由随机非连续，幅度大的不规则脉冲或噪声尖峰组成。通过检测算法可以检测出未受脉冲噪声影响的像素。将未受噪声污染的像素点从含噪图像中提取来构成一幅不含脉冲噪声，分辨率为原来 1/2 的低分辨率图像。再通过分段自回归插值将低分辨率图像插回原始图像大小，得到恢复信号。该方法首次将下采样和插值的概念引入脉冲噪声抑制方法，充分利用未受噪声影响的像素和二维图像结构信息，恢复清晰图像。

1绪论
1.1研究背景及意义
图像在人类接收和传递信息中起重要作用，它具有直观、形象和信息量大等优点，但是实际生产中的数字图像在采集和传输的过程中往往会受到成像设备以及外部环境等的干扰，图像中的噪声会使得图像的质量下降，并对图像的处理造成极大的影响，因此对图像的去噪工作通常被作为图像处理的第一步。近年来伴随着计算机技术的飞速发展，人们对图像质量的要求也越来越高，图像去噪作为数字图像处理领域内一个重要的分支，已成为该领域研究的一个热点。
条带噪声在许多星载和机载多传感器和单传感器光谱仪中是一种很普遍的现象。条带噪声主要是由于光谱仪内各CCD在光谱响应区内的响应函数不一致、数据系统内定标的一些轻微的错误、传感器对信号响应的变化等原因造成的。直线提取是计算机视觉的一个基本问题, 在视频跟踪 、摄像机标定 、遥感图像处理 、位姿估计、视觉测量、 和目标识别等很多域都有应用。数字图像中的大量直线, 是对建图像进行识别、定位和三维重建最重要最稳定的特征, 直线提取的效果, 直接影响后续处理的准确性。因此检测直线, 具有十分重要的意义。
线扫描成像方式主要应用于卫星遥感成像系统和自动视觉检测成像系统中。线扫描图像在图像采集过程中，由于相机本身的构造以及其它各种因素，使得获取到的图像存在大量噪声，其中条带状的噪声是线扫描图像特有的噪声类型，严重影响了图像的质量，同时也给后续的图像分割与目标识别等工作带来困难，因此在对采集到的线扫描图像进行图像处理和分析之前，必须对其进行条带噪声去除处理。
1.2国内外研究现状
针对图像中的直线提取问题, 人们提出了很多方法, 其中最有代表性的为
1) Hough 变换 及其改进方法 : 这类方法是应用最为广泛, 提出较早的经典方法。其优点是抗噪能力强, 能够连接共线短直线。但建筑物中直线数目众多, 分布密集, 应用Hough 变换法往往会把大量密集的属于不同直线上的点误识别为同一直线上的点, 检测效果并理想;
2）相位编组法: 相位编组法是Brian 等提出的直线检测算法, 它充分利用了图像相位携带的大量构成直线的相关像素点的空间信息, 能够检测出
较低对比度的直线段。但对于建筑物这样复杂的场景, 会产生大量的短直线, 误检现象也十分严重 ;
3) 链码法: 链码是图像边界描述的优良方法, 也是直线检测的一种常用方法, 早在19 世纪70 年代,Freeman 就提出了直线链码的三个准则 , 为直线检测提供了新的思路, 但在建筑物图像上的应用表明, 此种方法会存在严重的误检和漏检问题 ;
4) 最小特征根分析法 : 最小特征根分析法是近年来提出的一种新的直线检测方法, 该算法利用边缘像素的协方差矩阵特征值来判断是否含有直线, 在检测建筑物直线特征方面取得了较好的效果,但仍然会产生一些短直线, 对噪声也较敏感;
5) 主元分析( PCA) : 主元分析法是近年来提出的另一种效果比较好的直线检测方法, 该算法把边缘图像划分为行、列两部分分别进行处理, 并利用主元分析法对数据进行降维, 进而可以检测建筑物中大量的直线特征, 但受阈值选择和噪声的影响较大, 算法稳健性不高。
为了准确识别数字图像中的直线，本文提出了一种基边缘方向图的直线特征提取方法。该方法突破了经典直线检测算法的思路，从边缘拆分这一全新的角度, 利用局部直线检测算子对边缘进行方向编码，将边缘图像分割成直线、曲线与点的组合, 构成了一种直线检测的辅助图像——边缘方向图。在边缘方向图的基础上，进一步利用方向一致性、直线误差判别准则和稀疏直线拟合方法识别直线特征,有效地解决了图像中直线检测的漏检、误检和噪声干扰等问题。
1.3本文研究内容
利用方向编码检测直线的思想在相位编组法和链码法等很多算法中都被应用,但这些算法通常只考虑像素点8邻域内的梯度,并不能表达直线在0—180°范围内的准确方向，增加了后续直线提取的复杂性和出错概率。图像中的直线具有连续性、分布密集和噪声干扰多的特点，如果运用8邻域方向编码，将难以区分位置关系相近的多条直线特征。因此必须建立新的方向编码策略。建筑物图像中, 同一直线上各点的方向趋于一致；直线与直线交点处方向变化明显，曲率较大。基于这一特点，设计了一个局部直线检测算子对边缘点进行方向编码，构造边缘方向图的方法，具体过程如下：以边缘点Pj（xj,yj）为中心,构造一个N ×N的直线方向检测窗口，如果通过点Pj的连续线条为直线，则定义此直线与窗口水平方向的夹角为边缘点局部方向，记为θ,其取值范围为0—180°。令Pj点的像素灰度在数值上等于θ取整后的值，所有边缘点依次计算后形成的图像定义为边缘方向图。
1.3.1 直线方向检测窗口
确定合适的窗口尺寸N 是计算边缘局部方向的重要步骤，它决定了子线段的长度以及局部方向与实际直线的吻合程度。理论上，如果未知的连续边缘为直线，则以每个边缘为中心，被特定尺寸的窗口切分的子线段θ取值应处处相同。但在实际的数字图像中，如果直线的方向不为0, 45, 90, 135, 由于离散化的影响，θ的取值将随方向检测窗口的不同而与真实值产生不同的方向计算偏差。为确定方向计算偏差与检测窗口大小之间的关系，考察角度范围在90°—180°之间( 0—90°相同) 的7 条平面直线在不同窗口作用下的θ值，并定义同一窗口对不同直线的方向计算偏差平均值为θmean ,最大值为θmax 。如图1所示， 设直线L1-L7允许的最大方向检测窗口为N×N ( 图1中N = 35 pixel),分别取以直线上的像素点为中心的N×N , N/2 × N/2, 9×9, 7×7, 3×3 和2×2 窗口, 计算窗口内子线段的角度θ, 结果如表1所示

图1 离散化直线在不同窗口作用下的示意图
当窗口尺寸r≥9 时，θ的计算结果能准确地反映整条直线的方向；反之，则误差过大；但窗口越大, 计算量也会相应增加。通过θmean 和θmax 的值分析可知: 选择9×9 的窗口作为直线方向检测窗口具有合理性。同时，9×9 窗口切分的子线段最短长度为9 pixel, 也符合人眼对子线段的最小识别长度。
1.3.2局部直线检测及方向编码
检测窗口内的直线识别是进行边缘方向编码的关键。通常，原图像经Canny边缘检测后，9×9 窗口内典型的像素分布情况有8种, 如图2所示。图中中心点表示当前像素，黑色点表示9×9 窗口内的其他边缘像素。由图2可知，如果9×9 窗口内过中心的连续线条为直线，则需满足如下条件：1)长度大于9； 2) 包含两个以上端点；3) 至少有一条可通过当前像素的边缘, 且该条边缘两端点之间满足直线最短原则: 即端点间的直线距离dis 近似等于边缘长度L，或直线度因子s=dis / L≥ T，T 为阈值。

上述三个条件中，第一条保证了直线具有一定的长度，可以过滤较短线段； 第二条排除了封闭曲线的影响；第三条保证了窗口区域内直线的存在，可以准确剔除曲率较大的角点。因此，如果窗口区域内的边缘点满足上述三个条件, 则中心像素点属于某直线的可能性最大, 通过该像素且满足直线最短原则的边缘也最可能属于某直线。反之，当前像素点则一定不属于某直线, 或仅属于某直线的边界( 这种情况并不影响对于直线的判断)。设过中心点Pj( xj , yj )最长的一条直线在9×9窗口内的端点坐标为(x1 , y1)，(x2 , y2)，则Pj( xj ,yj) 的局部方向θ的计算公式为

令中心点Pj (xj , yj) 的灰度在数值上等于θ取整后的数值, 即可完成对当前点的方向编码。

2条 带噪声的基本概念
2.1条带噪声形成的原因及影响
从本质上讲，图像中会产生条带噪声是由于在一定方向上图像原始数据的灰度值连续偏高或偏低。基于 AVI 的棉花异性纤维在线识别系统中所使用的传感器采用线扫描式CCD 成像，图像中条带噪声的产生和一般的高斯噪声、椒盐噪声等不同，其主要是由以下原因造成的：
1. CCD 工作状态不一致。由于成像系统的工作状态通常会影响系统相机 CCD 探测器驱动信号和光能量，这些变化将会改变 CCD 探测器的光学增益，从而使整个成像 CCD探测器响应产生不一致性。
2. 相机 CCD 元件的非均匀性。受现代制造材料的工艺所限，CCD 元件材料中可能会有一些缺陷，如透镜质地不均匀、CCD 厚度不均匀、以及 CCD 探测元尺寸不同等，这些缺陷会造成不同探测单元之间参量的不同，从而对探测元的响应产生差异；除此之处，系统中所使用器材的老化和损耗程度不同也是造成探测单元响应不一致性的一个原因。
3. CCD 校正的不正确性和不完全性。由于系统采用的三线阵 CCD 没有相同的光轴，同样的目标在 3 个 CCD 呈现位置是不同的，下图 3.4 为系统 CCD 成像示意图。虽然系统内部对 CCD 的成像有校正，但在图像中还是会产生条纹状的噪声。

2.2条带噪声的特征分析
条带噪声的产生机理不同于一般的随机点噪声，这也决定了其具有与一般随机点噪声不同的特性，在图像中有不同的表现。
在一幅图像 f ( x,y)中，理想的垂直条带噪声定义为：

相应地，理想的水平条带噪声定义为：

实际图像中的条带噪声也是一定宽度的贯通图像的条带，与理想的条带噪声不同，
实际图像中的垂直条带是在原始图像上灰度值的下降或上升。实际图像中的垂直条带定
义为：

水平条带定义为：

条带噪声的灰度值会高于或低于相邻位置的非条带图像信息，并使得条带噪声所在的行或列的灰度均值偏高或偏低，造成整幅图像灰度均值的升高或降低。

3条带噪声方向性检测的技术分析
3.1基于霍夫变换的直线检测原理
人工图像和卫星影像中，大多数物体都是由直线组成的。在图像处理中，对直线的识别和定位就显得十分重要。同时，工程上对直线物体或图标进行模式识别和定位是一个常见的问题。所以寻求一种快速的直线检测方法非常重要。霍夫变换是一种用来在边缘增强处理后的图像中，提取边缘特征的简便而有效的方法，它能够提取直线、 圆、椭圆、二次曲线甚至是任意形状的边缘。霍夫变换在计算机视觉、军事防御、办公自动化等领域都得到了普遍的关注和广泛的应用。其基本思想是将原图像变换到参数空间，用大多数边界点满足某种参数形式来描述图像中的线，通过设置累加器进行累积，求得峰值对应的点所需要的信息。霍夫变换以其对局部缺损的不敏感，对随机噪声的鲁棒性以及适于并行处理等优良特性，备受图像处理、模式识别和计算机视觉领域学者的青睐。霍夫变换的突出优点就是可以将图像中较为困难的全局检测问题转换为参数空间中相对容易解决的局部峰值检测问题。
1.霍夫变换原理

图１直线检测中的Ｈｏｕｇｈ变换
1962年，Paul Hough根据数学对偶性原理提出了检测图像直线的方法，此后该方法被不断地研究和发展，主要应用于模式识别领域中对二值图像进行直线检测。其原理如图1所示，平面直角坐标系中的直线L表达为：y=kx+b① 其中,k为斜率,b为截距。直线L上不同的点(x,y)在参数空间中被变换为一族相交于P点的直线。显然，若能确定参数空间中的P点（局部最大值），就实现了直线的检测。
平面中任意一条直线也可以用极坐标方程来表示，即可以用ρ和α两个参数确定下来，对于图像空间任意点，其函数关系为： ρ＝xcosα+xsinα② 其中ρ为原点到直线的距离 （即原点到直线的垂直线的长度），α确定了直线的方向（即原点到直线的垂直线与ｘ轴方向的夹角）。如果对位于同一直线Ｌ上的ｎ个点进行上述变换，则原图像空间ｎ个点在参数空间中对应地得到ｎ条正弦曲线，并且这些曲线相交于同一点。
2.霍夫变换实现方法
工程中的实验数据和图像处理中的二值边缘图，通常都是离散数据，因此，根据霍夫变换性质，可按下列步骤实现霍夫变换：
（1）在ρ和α合适的最大值和最小值之间建立一个离散的参数空间；
（2）将参数空间量化成ｍ×ｎ（ｍ为ρ的等份数，ｎ为α的等份数）个单元，并设置累加器矩阵；
（3）给参数空间中的每个单元分配一个累加器Q（i,j），并把累加器的初始值置为零；
（4）取出直角坐标系中的点（x1，y1）代入式②，并以量化的α值计算出ρ；
（5）在参数空间中，找到ρ和α所对应得单元， 并将该单元的累加器加１，即Q(i,j)=Q（i,j）+1；
（6）当直角坐标系中的点都经过（3）（4）两步遍历后，检验参数空间中每个累加器的值，累加器最大的单元所对应的ρ和α即为直角坐标系中的直线方程式的参数。当直角坐标系中的点分布在R条直线附近时，可在第５步检测累加 器时，取出累加器中前Ｒ个值最大的单元所对应的ρｋ和αｋ（ ｋ＝1，2，…，R），以ρｋ和αｋ为直角坐标系中直线方程式的参数，即可同时实现多条直线的检测。
由此可见，霍夫变换的基本策略是：用图像空间的边缘数据点计算参数空间中的参考点的可能轨迹，并在一个累加器中给计算出参考点的计数，最后选出峰值。 该峰值表明在图像空间上有一共线点较多的直线，该直线的参数由累加器的ρ和α决定， 即按照Q(i,j）＝Q(i,j）+1确定，则图像空间中满足该式的点(x,y)就组成了该直线。
3．用霍夫变换进行直线检测
要实现数字图像的直线检测，对图像进行预处理是必不可少的。进行图像处理的第一步就是要对图像进行图像灰度与二值化处理。若是对整幅图像进行霍夫变换，会减慢霍夫变换的速度，所以为了提高霍夫变换的计算速度，还需要对图像采用边缘检测，即从图像平面中提取边缘点或特征点，对这些特征点进行霍夫变换。
图像边缘是一个图像的重要特征，是计算机模式识别，视觉等的基础，边缘检测是图像处理过程中的一个重要环节。检测物体边缘时，首先粗略检测其轮廓点，然后把原来检测到的轮廓点连接到一起，同时检测、连接遗漏的边界点并去除虚假的边界点。边缘检测的算法很多，如log算子，sobel算子，prewitt算子,roberts 算子，canny算子等。而在边缘检测中log算子常产生双边界，sobel算子又往往会形成不闭合区域等，而canny算子是最优的阶梯型边缘检测算法。

3．2方向性判断原理
1. 将θ角在-90度到90度的范围里，划分为很多区间，对所有的像素点(x,y)在所有θ角的时候，求出ρ.从而累加ρ值出现的次数。高于某个阈值的ρ就是一个直线。

2. 这个过程就类似于如下一个二维的表格，横坐标就是θ角，ρ就是到直线的最短距离。

横坐标θ不断变换，对于所有的不为0的像素点，计算出ρ，找到ρ在坐标(θ,ρ)的位置累加1.
3. 上图中局部最大的就是找到的直线的θ和ρ的值。

3.3对含噪图像进行判断
3．4本章小结
4基于matlab的仿真数据