Radon变换.pdf

Radon变换:又称为HoughTransform(数字图像处理课程里学过——数字图像处理课件3-P37)考虑b=ax+y，将原来的XY平面内的点映射到AB平面上。则原来在XY平面上的一条直线的所有的点，在AB平面上都位于同一个点。通过记录下AB平面上的点的积累厚度，可反知XY面上的一条线的存在。在新平面下得到相应的点积累的峰值，可得出原平面的显著的线集。例如：XY平面上的一个直线y=2x-3;变换-3=-2x+y;其中：a=-2,b=-3假设有两个点在XY平面:〔0，-3〕，〔2，1〕，此两点都过直线，则可知有AB平面上，此两点在(-2,-3)AB平面上。一种更好的表示方法是用和来代替ab。即：xcos+ysin=基础补充：直角坐标系：xcosa+ycosa=0〔a为一个常角，特如45度，则明显是y=-x的直线〕下面通过极坐标转换来更进一步说明其普遍性：因为直角坐标与极坐标变换公式为x=ρcosθ，y=ρsinθ，其中ρ是极半径，θ是极角。代入所给的直线方程得ρcosθcosa+ρsinθsina=0，即ρcos(θ-a)=0，而ρ≠0，所以有cos(θ-a)=0，θ-a=π/2，即此直线方程为θ=a+π/2。极坐标的参量：是角度和极半径〔也等于弦长吗〕设原点O到直线L的距离为p并且L的垂线OD的倾斜角为a，则L的方程为xcosa+ysina=p〔a、p为常数，a为与X轴夹角，P为直线与原点距离〕D点的坐标：xd=pcosayd=psina直线L上任一点A的坐标设为：〔x，y〕，根据两点式直线方程，可得出：〔x-xd〕/(yd-y)=tana,即：(x-pcosa)/(psina-y)=sina/cosa,最后导出：xcosa+ysina=p以图像的中心为极坐标原点，直线X`即为新的投影坐标，为角度。我们所要求的原坐标上的一条直线，是一条垂直于上图X`的一条直线，而非X`本身。如下例：functionradontestI=zeros(200,200);%I(100:170,100:170)=1;A=eye(100,100);I(101:200,1:100)=A;figure,imshow(I);title('orginalimage');orginalimagetheta=0:180;[R,xp]=radon(I,theta);%R是点的数量多少%xp是R对应的坐标位置,即为X`，另一解释为直线跟原点间距离%0-180代表0到180度%此变换是以图像的中心点为原点的变换figure,imagesc(theta,xp,R);title('R_thetaX');xlabel('theta(degree)');ylabel('X\prime');colormap(hot);colorbar;即所求=45度，X`=-75左右。意思是在原XY坐标下的45度的直线X`上，距离原点75的位置有条与X`垂直的直线。此直线真正的45+90=135度，右移-75/sin45=100的距离。(6)由(6)式可见，f(x)的Radon变换是f(x)沿不同θ方向的投影；而f(x)的脊波变换看作是先对f(x)进行Radon变换，然后沿着每个积分方向做一维小波变换的结果，即：(7)正因为脊波变换在Radon域上对各个方向进行一维小波变换，将图像的线奇异性转换为点奇异性，充分利用小波变换对点奇异性的良好表示特性来得到具有线奇异性图像的稀疏表示。脊波逆变换可以通过沿每一方向做一维小波逆变换，然后进行Radon逆变换得到。然而Randon变换的离散化是一个比较复杂的问题，在众多的离散化算法中，有些存在大量的冗余，有些虽然克服了大的冗余度，但是得到其所对应的逆变换又比较困难。其中有限Radon变换FRAT〔FiniteRadonTransform〕[6][7]是其中比较好的离散化算法之一。有限Radon变换是有限大小的二维离散图像实现Radon变换的离散化方法。一个N×N〔N要求是一个素数〕大小的图像f(i,j)，其中｛0,1,2…,N－1｝。它的有限Radon变换FRAT定义为：(8)其中，是满足斜率k和截距l的直线上的所有象素点的集合，定义如下：,当k∈｛0,1,2…,N－1｝,当(9)由式〔8〕(9)可知，有限Radon变换是满足要求的直线上的图像象素点灰度值的累加和。一个N×N大小的图像经有限Radon变换后，将得到(N＋1)×N大小的矩阵，它有N＋1个斜率方向，每个方向上有N个系数。有限Radon变换的逆变换可以通过有限逆投影变换FBP〔FiniteBackProjection〕来得到：(10)其中P指的是所有通过点(i,j)的直线的斜率k和截距l的集合，即：ij……(11)为了获得更好的能量集中性，由式(8)和(10)所定义的有限Radon