Radon 变换原理和应用_radon变换

Radon 变换原理和应用

前言： 承接 Hough 变换，从简单的直线检测说起，推广到 Radon 变换。介绍了 Radon 变换的基本原理和应用。主要是Hough直线检测的拓展，深度较浅。

上启自：详解 Hough 变换

1. 从直线检测说起

1.1 基本问题

在 详解 Hough 变换 中，对直线检测折腾这么久，已经是个成熟的”直线检测者”了，所以基本问题就不从点分析，直接从图出发。即

如何检测下图（a）中的直线？

当然可以使用 Hough 变换，如直接套用那篇博文中自编的代码就可以得到结果，展示如下：

再简单概述下原理：即，将原空间中的点变换到参数空间，每个原空间的点对应参数空间一条直线。原空间中有N个点就对应参数空间中N个直线。参数空间中直线相交就是表明对应原空间的点共线。参数空间中交点重复次数(亮度)越多，就表明原空间中共线的点越多。这些点连起来就是要求的直线。

注：如果使用 Hough变换 博文中的代码，将 $\theta$ 范围修改下，其实不必 $[0,2\pi ]$，修改为$[0,\pi ]$ 即可。

1.2 另辟蹊径

检测之前一般都是进行边缘提取，我们的目标是检测 图(b) 边缘二值图中是否存在直线，以及，如果存在，表示出这条直线。

先抛弃 Hough 变换的思路，考虑另外想法。

（1） 第一种想法：考虑从不同方向把 (b) 图拍扁（术语叫投影）。比如从两个角度（下图 $A1,A2$ ）拍扁（投影）它，示意如下：

这里使用两个方向 ($\alpha =0$​​​ 和 $\alpha =45°$​​​​ )的光线 $A1,A2$​​​ 对边缘进行投影。假设投影到投影面的位置点的数量越多，投影结果越亮。那么图中，灰色箭头标志的地方会非常亮。因为整条直线的像素点都会投影到该处。

不仅如此，事实上，考察所有投影方向，即 $\alpha \in [0,\pi ]$​ （注意：因为不分正负，所以 $[0,\pi ]$​ 和 [$\pi ,2\pi ]$​ 结果是一样的），最亮的点依旧会是图示中灰色标志的部分。这是直线的特点。

所以，是否我们可以考察所有方向下，对边缘图像进行投影，找到最亮的点（或者达到规定亮度阈值的点，比如存在多条直线）和此时对应的光线方向。 那这条直线不就检测出来了，直线方程不就确定了吗？

先不着急编程实践，再思考另一种想法。

（2）第二种想法：Hough 变换中，有提到可以用 $\theta$ 和 $d$​ 表示一条直线，如下图示意（不懂为何，可以参考 Hough 变换博文）：

其中， $d$ 为圆心到直线距离，$\theta$ 是垂线与 $x$ 轴夹角。那么这一想法就是使用 穷举法 的思想，即

因为 $\theta$ 是有范围的，同时因为在图像中检测直线，所以 $d$ 也是有范围，最大为图像的斜对角距离。于是，我们就考察“所有”的 $\theta$ 和 $d$ ，这里的”所有“取决于你的精度，即 $\theta$ 以及 $d$​​ 各自的离散值取值间隔。来表示图像空间内”所有“的直线。

表示出”所有“直线后，下面我们要做的就是，将直线一条一条的与原图相匹配。记录该直线的点与边缘图中点重叠的个数，把该个数记为该线与图的匹配度。比如取所有线的其中四条，作个示意：

其中，$L1,L2$ 和 $L3,L4$ 故意取了$\theta$ 相同，但 $d$​ 不同所表示的直线（图中L1,L2没有标角度和距离，怕线看起来太乱了）。上面所说的匹配度即该条直线与边缘图中像素重叠数，如$L1$ 与 边缘线没有像素重叠，匹配度就为0，$L4$同理。其中这举例的四条直线中，匹配度最高的是$L2$​。因为它与边缘图中包含直线的所有像素都重合。

不仅如此，事实上，考察所有 $\theta$，距离 $d$ 所表示的直线，匹配度数值最高的依旧会是$L2$。

说到这，你可能会发现，其实这就是所提到的第一种想法的另种思路。只是这里的 $L1,L2,\cdots$​​ 就是第一种想法中的 一条 光线，如 第二种想法里的 $L2$​ 直线其实就是 第一种想法里 $A2$​​​ 方向下，最亮点对应的那一条光线。匹配度也就对应于第一种想法里的亮度，也就是重合度。

唯一的区别和需要注意的是，两个想法中的所用角度表示方法不同（但属于无伤大雅的东西）：前者是光线的倾角，后者是光线垂线的倾角。

1.3 编程实现

基于以上想法，编程，进行直线检测：

注：这里使用想法二中的倾角 $\theta$​​，这一倾角的好处和直线表示方法，参看Hough变换博文。

直接给出结果，通过 $\theta$ 和 $d$ 确定的直线方程为
$$d=xcos\theta +ysin\theta$$

完整代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
imgPath = "C:\\Users\\zhangwei156\\Desktop\\figure\\waterm.jpeg"
grayImg = cv2.imread(imgPath, 0)
    
# 提取边缘
edgeImg = cv2.Canny(grayImg, 300, 500)

H, W = edgeImg.shape

# 精度
theta_div = 500
d_div = 500
theta_max = np.pi
dMax = np.floor(np.sqrt(H**2 + W**2))

# 离散取值
theta = np.linspace(0, np.pi, theta_div)[:-1]
d = np.linspace(-dMax, dMax, d_div)

# 分辨率
theta_res = np.pi/(theta_div-1)
d_res = 2*dMax/(d_div-1)

# 记录 亮度/匹配度/叠加次数 的模板
forceImg = np.zeros((theta_div, d_div), np.uint16)

mesh = np.meshgrid(theta, d)
for _t, _d in zip(mesh[0].flatten(), mesh[1].flatten()):
    # 分母为 0 情况
    if _t == 0:
        continue
        y = np.arange(0, H)
        x = y * 0 + 1
    else:
        x = np.arange(W)
        y = ((_d-x*np.cos(_t))/np.sin(_t)).astype(np.int64) # theta 和 d 确定的直线
    pixel = 2  # 上下容错像素范围
    # y轴上下容错像素
    for i in range(1, pixel+1):
        x = np.hstack((x,x,x))
        y = np.hstack((y-i,y,y+i))
    # 剔除 y < 0 和 y > H 也即图像外的点
    ind = np.where( (y>=0) & (y<H) )
    if ind[0].shape[0] == 0:
        continue
    y = y[ind[0]]
    x = x[ind[0]]
    index = np.where(edgeImg[y, x]!=0 )[0]
    
    # 取值
    tt = int(_t/theta_res)
    dd = int((_d+dMax)/d_res)
    # 亮度值
    forceImg[tt, dd] = index.shape[0]

# 结果
plt.imshow(forceImg)
plt.show()

# 检查结果正确与否的代码
# 最亮处所代表的 theta 和 d 值
O = np.where(forceImg == np.max(forceImg))
# theta 和 d 的真实值
theta_ = O[0]*theta_res
d_ = O[1]*d_res - dMax
# 在原图中显示检测到的直线
for _o in (zip(theta_, d_)):
    x_ = np.arange(W)
    y_ = ((_o[1]-x_*np.cos(_o[0]))/np.sin(_o[0]))
    ind_ = np.where((y_>0) & (y_<H))
    x_ = x_[ind_[0]]
    y_ = y_[ind_[0]]

plt.imshow(grayImg)    
plt.plot(x_,y_,color = "r")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80

结果展示：

其中，$forceImg$ 中最亮点对应的实际 $(\theta ,d)=(1.561,181.383)$​​ ，即$\theta =89.46°;d=181.4$ 。看来垂线还不是纯竖直的，有一点点偏。

此时，你会有个很“吃惊”的发现。

对比一下前面展示的使用 Hough 变换方法时结果，两者 $forceImg$ 图是一致的！

想象一下整个过程，实际上，针对上述问题，它就是 Hough 变换的解决方式。它就是 Hough 变换。

换句话说，想法一，想法二以及之前的 Hough 直线检测想法都是同源的！

区别在于：Hough 变换中使用 $\theta ,d$​ 穷举的是过每个边缘点的所有直线，而以上两个想法通过 $\theta ,d$​ 穷举的是图像空间内所有直线。但 Hough 变换有基于先验知识，换句话说，Hough变换更精准。

所以之后用 Hough 检测直线时，也可以使用 randon 变换函数（上面这个就是最基础的randon变换，就是后面要引申的本文主题，但这里不得不先提下）。

2. Radon 变换

2.1 回顾

回顾上述过程，从某个方向对图像投影，一个特定的 $\theta ,d$ 确定某条唯一的光线，投影结果为一个固定值，即亮度（累加度）。也即 $(\theta ,d)⟶亮度$ ，这是个函数对应关系。

亮度的计算是光线对应图像上的像素值累加。上例的特殊之处在于，边缘图为二值图，即边缘部分像素值为 1，黑色部分像素值为 0。

想象若图像像素值为任意值，事实上也可以累加。推广到更一般情况，即不再如图像像素那般是一格格的、离散的，而是连续的。那求和其实就是求线积分。

把问题推广到这种程度，事实上就是要展示的 Radon 变换内容。

2.2 Radon 变换

如下图所示，不再是简单的离散像素，而是连续的函数值 $f(x,y)$，我们暂且称之为”密度“。一条由$\theta ,d$ 确定的唯一光线，经过 $f(x,y)$ 物体，得到亮度值为 $R$ 的投影。

根据以上的思路，此时亮度值应该是 $L$ 线积分，即
$$R={\int }_{L}f(x,y)ds$$
且光线 $L$​ 可以由 $\theta ,d$​ 唯一确定，即
$$L(\theta ,d):d=x\cos \theta +y\sin \theta$$
也就有
$$R(\theta ,d)={\int }_{L(\theta ,d)}f(x,y)ds$$
该式子也就是一个全新的函数对应关系，表示的是给定自变量 $\theta ,d$​ ，会有与之对应的函数值 $R(\theta ,d)$​​ ，该值的物理意义为亮度（或者说是叠加度、衰减后的值、匹配度等等）。而 $\theta ,d$​ 为连续的，因此将该函数用图像画出来就是对应于前面 $forceImg$​ 的样子，即横、纵坐标为 $\theta ,d$​，亮度大小为 $R$​。更一般情况是对应一个三维空间，$x,y$​ 轴为 $\theta ,d$​ ，$z$​ 轴对应为 $R$​。

下面就是对积分的计算，该部分为数学中线积分求解问题，不详述。

法一：直接求解

当给定 $\theta ,d$ 时，此时 R 为
$$R={\int }_{y=\frac{d_1-x\cos {\theta }_1}{\sin {\theta }_1}}f(x,y)ds$$
将 $y$ 替换一下，高等数学中的线积分求解问题。这是一种思路。

法二：$\delta$ 函数
$\delta$​ 函数是一个广义函数。简单形式如下：
δ ( t ) = { 0 , t ≠ 0 1 , t = 0 \delta(t) = \left\{

$$\begin{aligned} 0, &\quad t\ne 0\\ 1, &\quad t=0 \end{aligned}$$ \right. δ(t)={0,1,​t​=0t=0​
结合上述直线方程 $L(\theta ,d):d-xcos\theta -ysin\theta =0$， 则有
$$\delta (d-xcos\theta -ysin\theta )=\{\begin{array}{rl}0,& d-xcos\theta -ysin\theta \ne 0\\ 1,& d-xcos\theta -ysin\theta =0\end{array}$$
最后，radon 变换方程写为：
$$R(\theta ,d)=\iint f(x,y)\cdot \delta (d-xcos\theta +y\sin \theta )dxdy$$
当给定 $\theta ,d$​ 时，同样带入计算。

可以总结一下，Radon 变换就是对应$(\theta ,d)$ 确定的光线与空间中密度函数的积分。

2.3 Radon 逆变换

想象一下，如果我从不同角度对物体进行照射，得到了每个方向下的投影，即所有 $\theta ,d$ 对应的 $R$ 值。那么反过来，已知 $R(\theta ,d)$ ，是否也就唯一确定 $f(x,y)$ 的情况。

至于如何已知 $R(\theta ,d)$ 反求 $f(x,y)$​ ，现在用不到，挖坑，之后用到再探究其方法。

3. 应用

前面已经提到了一个应用：直线检测（同 Hough 检测一致）

还有个经典应用，即 CT 断层成像的重建。

CT 原理其实就是借助 x 射线照射组织器官，不同组织器官对 x 的射线衰减程度（或系数；对应于上面的 $f(x,y)$ ）不同，一条 x 射线穿过一系列组织器官后，经衰减后，到达采集设备，得到一个衰减后的强度值（对应于上面的 $R$）。

我们采集得到一系列的 $R$ 情况，就可以通过 $radon$ 逆变换得到衰减信息，即组织器官信息。

换句话说，$radon$ 变换可用于三维重建，且是三维重建研究方向的helloworld。