***********1962年由霍夫（Hough）向美国申请专利，用来检测图像中的直线和曲线。后经Rosenfeld把它引用到图像处理中，提出用一个二维累积数组作霍夫变换。为了用程序实现，要准备一个表示k-q空间的二维数组，每通过一个轨迹，就在数组元素中加上1，在对应于边缘点所有的轨迹都画出之后，就可以提取具有较大值的数组元素，这就是边缘。以上方法的毛病是：用了直线斜率和截距，若斜率无穷大，则在k,q空间中k非常大。76年由Duda和Hart作了改进，********所有的边缘提取都是检测信号的高频分量。噪声往往也是高频的*对理想无噪声信号边缘检测的一般原理***两阶导数应为沿梯度方向的两阶方向导数，一般采用各向同性的两阶微分算子，Laplace算子，保持旋转不变*前后相差分**幅度很小的噪声**一阶微分滤波器*有限窗口算子表达的一阶差分滤波器*一阶差分滤波器**Roberts算子不包含平滑，图像的梯度为两个45度方向梯度的向量和**窗口越大，能有效抑制噪声，但计算复杂性越大**********高斯函数是在正则化方法下得到的最优滤波函数的近似，抑制噪声和边缘检测精度是无法同时满足的*平滑噪声的同时，增加了边缘定位的不确定性****边缘检测：边缘检测算子SNAKEASM/AAMHOUGH变换4、线特征表示ASM/AAM模型
（ACTIVESHAPE/APPEARANCEMODEL）ASM是一种基于点分布模型（PDM）的算法。主要利用若干关键特征点（landmarks）形成一个形状向量来描述一个目标ASM模型的实现分为：ASMBuildingASMFittingASM特征点ASM/AAM模型
（ACTIVESHAPE/APPEARANCEMODEL）形状向量归一化获得特征点PCA特征提取建立局部特征搜索匹配得到偏移量更新模型建立ASM模型更新ASM模型获得特征点形状向量归一化（对齐）形状向量归一化（对齐）ASM/AAM模型
（ACTIVESHAPE/APPEARANCEMODEL）PCA特征提取正交PCA特征提取建立局部特征（LOCALSTRAGETY)对于每个特征点xi,都可以建立局部特征：ASM/AAM模型
（ACTIVESHAPE/APPEARANCEMODEL）模型匹配（FITTING）模型匹配（FITTING）模型匹配（FITTING）AAM（ACTIVEAPPEARANCEMODEL）AAM（ACTIVEAPPEARANCEMODEL）4、线特征表示边缘检测：边缘检测算子SNAKEASM/AAMHOUGH变换HOUGH变换Hough变换(HT)问题的提出Canny或Sobel等边缘检测算法通过识别图像中的亮度变化来标记边缘点在找出边缘点集之后，需要连接，形成完整的边缘图形描述。y=kx+q(x0,y0)xykq(k,q)设直线在原始图像空间（x,y)的直线方程为：y=kx+q（斜截式）它与参数空间上的一个点(k,q)相对应。过(x0,y0)的一组直线，在参数空间中可用一条直线表示：q=-x0k+y0所以，在图像中一条直线上，在参数空间中为一个点，在参数空间中找到这个点，就可以找到在x,y空间中对应的这条线的两个参数。HOUGH变换的基本思想HOUGH变换如果图像中有两条直线，对于分布在这两条直线上的点，就可以在参数空间中找到两个聚类点。kqxyABCD?EF???把用斜率和截距的表示变成用法线和法线与X轴的夹角表示。即：yx(x,y)(x0,y0)????‘其中?是从原点引到直线的垂线长度；?是垂线和x轴的夹角。?=xcos?+ysin?如果设这条直线通过图像上的点(x0,y0)，则：?=x0cos?+y0sin?HOUGH变换算法实现斜截式中的斜率k可以从负无穷到正无穷变化。对于垂直线，斜率k会趋向于无限大，这在计算机表示和计算中是不方便的。HOUGH变换算法实现?-?空间上的一点对应于x-y空间上的一条直线。相反，用上式表示的?-?空间的轨迹，就表示了在x-y空间通过(x0,y0)点的所有直线群。对图像中所有的边缘点施以同样的操作，便求出在?-?空间各条轨迹集中的位置(?0,?0)，它在x-y空间上对应于直线?0=xcos?0+ysin?0，这样直线将被检测出