(5条消息) 复杂户型图处理（基于边缘特征）

需求突然转换到，识别有背景的户型图：

具体效果参考空间大师，首先提出墙体，然后识别门窗、家具。

空间大师对实现思路几乎没有帮助，绝望之际找到一篇论文，看结果还不错，于是我们就开始根据论文一步步实现。

论文为：基于形状与边缘特征的户型图识别研究_江州，有两种方法：

一、基于形状特征的户型图识别

1、墙体线分割

彩色图-->灰度图-->统计灰度直方图，最大值即为背景灰度。

墙体的几何特征，平直度：

若某灰度值的平直度越高，则代表该灰度值的整体分布越趋于平直化。

墙体分割算法的主要流程为：

（1）统计全局图像的灰度值，（2）计算分布图中峰值灰度的平直度，（3）平直度最高的灰度值即为墙体线的灰度，（4）二值化阈值（通常取灰度域）。

2、墙体线降噪

观察发现，噪声部分连图片连通区大小远小于墙体线构成的连通区，且峰值连通区的数目决定了墙体的数量。

提出，基于连通区的快速去噪算法，主要思路：（1）统计全局的连通区大小，（2）找到能分割出所有峰值连通区对应的最小阈值，（3）以该阈值的1/2作为分割阈值，对图像中的连通区进行分割。

3、墙体线矫正与分析

4、门窗的分割与识别

窗：平行线的纹理特征

门：圆弧所分割两个区域的面积比

二、基于边缘特征的户型图识别（我们进行了代码实现）

1、像素级边缘提取

对于边缘提取，canny算子的效果最好，保留了图像更多的细节，且对部分破损边缘进行修补，但处理时间长；

sobel算子，能较好地保持边缘细节，速度快，但自动过滤掉了一部分不关注的边缘。

选择了sobel算子进行边缘检测。

（1）去标尺，得到处理图像的边界（灰度值投影找峰值的方法）

imageWithoutRuler(image, imageWithoutR, border);

（2）边缘梯度的计算，计算四个方向的sobel梯度模板，选取最大的作为其梯度值及方向。

采用四个方向的梯度模板的好处在于充分利用8邻域内像素灰度信息的同时，判断方向快速且只涉及到加法。

sobelGrad(src_gray, gradImage, thetaImage, ShowthetaImage, border);

梯度图：

方向图：

（3）阈值分割及非极大值抑制

阈值分割，对感兴趣的图像进行分离，提取出梯度较高的像素点，这些像素点灰度值变化剧烈，为边缘的候选点。

论文推荐分割的阈值：

非极大值抑制，保证该店为局部范围内梯度最大的点，保证边缘为单像素宽度，方便进行后续的边缘追踪。

方法：在该梯度上，该像素点大于等于相邻的两个像素点的梯度值。

threshold_nms(gradImage, thetaImage, gradImage1, border, 0.3);

（4）去冗余点与毛刺

（冗余点的定义没看懂。）

毛刺，即分支点的特征为：在像素的八邻域内，有不超过一个像素点。

removeBurr(gradImage1, gradImage2, border);

（5）边缘跟踪

为了方便后续对边缘数据进行参数化，必须对提取的边缘进行编码。其编码算法的步骤如下：

步骤 1：从左到右，从上到下，检索出所有连续边界的起始点，记下起始点坐标，并将该点的灰度值，置为背景灰度 0；

步骤 2：以该点的梯度方向为搜索方向，不断循环检索下一个顶点。若找到，则加下该检索方向，并将该点的灰度值置为背景灰度 0；若没找到，说明该点是孤立点，即边缘的终点，跳出循环；

步骤 3：以像素数目门限对跟踪结果进行过滤，低于门限的边缘被滤除。

该边缘编码方案与传统的编码方法进行比较，一方面，直接对源图像内的像素点进行置零操作，极大地减少了遍历次数；另一方面，在检索下一个边界点时，把上一个检索方向作为优先检索方向，检索效率得到了较大的提升。

edgeTracking(gradImage2, thetaImage, border, lines_before);

2、亚像素级边缘提取

。。。。。。

我们的困境在于不知道怎么去除干扰项，实现了部分代码后，发现论文中是手动去除干扰。。放弃。