Deep Hough-Transform Line Priors
Delft University of Technology（代尔夫特理工大学）
经典的线段检测工作是基于知识的;它使用精心设计的几何先验，使用图像梯度，像素分组或Hough变换变量。相反，当前的深度学习方法通过在大型手动注释数据集上训练深度网络来消除所有先验知识并取代先验知识。在这里，我们通过构建基于经典知识的先验知识来减少对标记数据的依赖，同时使用深度网络来学习特征。我们通过可训练的Hough变换块将线先验添加到深度网络中。Hough变换提供关于全局线参数化的先验知识，而卷积层可以学习局部梯度状线特征。在Wireframe（ShanghaiTech）和York Urban数据集上，我们证明了添加先验知识可以提高数据效率，因为不再需要从数据中学习线先验。关键词：霍夫变换;全局直线先验;线段检测。
2020-07-18 cs.CV
An iterative approach to Hough transform without re-voting
Università di Genova（热那亚大学）；CNR-SPIN（意大利国家研究委员会超导与创新材料与器件研究所）
人类骨骼中的许多骨骼形状的特征在于可以与代数曲线方程相关联的轮廓。通过经典的模式识别过程，如霍夫变换技术，固定曲线方程中的参数，然后可以将方程与特定的骨轮廓相关联。然而，大多数骨架区更准确地描述分段定义的曲线。本文利用Hough变换的迭代方法，无需重新投票，提供了一个有效的程序来描述人体骨骼中的骨骼轮廓作为一个不同的，但连续连接的曲线的集合。
2014-07-15 cs.CV
Transmission Line Detection Based on Improved Hough Transform
Chongqing Jiaotong University（重庆交通大学）
针对无人机图像中输电线路检测精度低、误检率高的问题，提出基于改进霍夫变换的方法，利用Hessian矩阵预处理和边界搜索分割，显著降低误检漏检，提升检测精度与速度。
2024-02-05 cs.CV
Semi-supervised lane detection with Deep Hough Transform
Delft University of Technology（代尔夫特理工大学）
目前的车道检测工作依赖于大型手动注释数据集。我们通过利用大量廉价可用的未标记数据来减少对注释的依赖。我们提出了一种新的损失函数利用Hough空间中的车道的几何知识，其中车道可以被识别为局部最大值。通过将通道分成单独的通道，我们可以通过简单的全局最大池来定位每个通道。最大值的位置编码车道的布局，而强度指示车道存在的概率。最大化最大箱的对数概率有助于神经网络找到没有标签的通道。在CULANE和TuSimple数据集上，我们证明了所提出的Hough变换损失通过从大量未标记图像中学习来显着提高性能。
2021-06-09 cs.CV
A Document Skew Detection Method Using Fast Hough Transform
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院联邦研究中心“计算机科学与控制”）；Institute for Information Transmission Problems of Russian Academy of Sciences（俄罗斯科学院信息传输问题研究所）；Smart Engines Service LLC（智能引擎服务有限责任公司）
大多数文档图像分析系统使用文档倾斜检测算法来简化其所有进一步的处理阶段。大量的基于Hough变换（HT）分析的算法已经被提出。尽管如此，我们设法找到只有一个工作，其中快速霍夫变换（FHT）的使用建议，以解决所指出的问题。遗憾的是，没有提供对这种方法的研究。本文提出并研究了一种基于FHT分析的文档图像倾斜检测算法。为了衡量这个算法的质量，我们使用的数据集从面向问题的DISEC'13竞赛及其评估方法。AED、TOP 80和CE标准的获得值分别等于0.086、0.056、68.80。
2019-12-05 cs.CV
Hand Action Detection from Ego-centric Depth Sequences with Error-correcting Hough Transform
Bioinformatics Institute, A*STAR（A*STAR生物信息研究所）；School of Computing, National University of Singapore（新加坡国立大学计算学院）
从以自我为中心的深度序列中检测手部动作是一个实际上具有挑战性的问题，主要是由于手部关节的复杂性和灵巧性以及非静止的相机运动。我们解决这个问题，通过一个霍夫变换为基础的方法，再加上一个有区别地学习纠错组件，以解决众所周知的问题，不正确的选票从霍夫变换。在此框架中，本地部件随时间对每个动作的开始$\&$结束位置进行集体投票。我们还构建了一个包含300个长视频的内部注释数据集，其中包含从26个人收集的16个动作类的3，177个单动作序列。我们的系统在这个现实生活中的动作识别和检测任务的数据集上进行了经验评估，并显示出令人满意的结果。为了方便复制，新的数据集和我们的实现也在网上提供。
2016-06-07 cs.CV
Persistence-based Hough Transform for Line Detection
Department for Information Technologies and Digitalisation（信息科技与数字化部门）；Josef Ressel Centre for Intelligent and Secure Industrial Automation（约瑟夫·雷斯尔智能与安全工业自动化中心）；Salzburg University of Applied Sciences（萨尔茨堡应用科学大学）
本文提出基于持久同调的霍夫变换投票方法，以替代阈值化检测直线，在合成数据上显著提升性能与鲁棒性，并倡导拓扑数据分析的整合及霍夫变换数学稳定性的研究。
2025-05-22 cs.CV
3D Room Layout Estimation from a Cubemap of Panorama Image via Deep Manhattan Hough Transform
Tsinghua University（清华大学）；ByteDance（字节跳动）
在从单个全景图像估计3D房间布局中，重要的几何结构可以由全局线框来复杂地描述。基于这一观察，我们提出了一种替代方法，通过在可学习的霍夫变换块中建模远程几何图案来估计3D空间中的墙壁。我们将图像特征从立方体图块转换到曼哈顿世界的Hough空间，并直接将特征映射到几何输出。卷积层不仅学习局部梯度线特征，而且利用全局信息，以简单的网络结构成功预测被遮挡的墙壁。与大多数以前的工作不同，预测是在每个立方体贴图块上单独执行的，然后组合以获得布局估计。实验结果表明，我们取得了可比的结果与最近的国家的最先进的预测精度和性能。代码可在https://github.com/Starrah/DMH-Net上获得。
2022-07-19 cs.CV
Event-based Star Tracking via Multiresolution Progressive Hough Transforms
The University of Adelaide（阿德莱德大学）
星跟踪器是最先进的姿态估计设备，其功能是识别和跟踪星图。大多数商业恒星跟踪器使用传统的光学传感器。最近的替代方案是使用事件传感器，这可以实现更节能和更快的恒星跟踪器。然而，这需要新的算法，可以有效地处理高速异步数据，并在资源受限的计算平台上是可行的。为此，我们提出了一个基于事件的处理方法，恒星跟踪。我们的技术操作的事件流从一个星场，通过使用多分辨率霍夫变换时间逐步整合事件数据，并产生准确的相对旋转。然后使用通过旋转平均的优化来融合相对旋转并联合细化绝对方向。我们的技术被设计为在标准硬件上进行异步操作是可行的。此外，相比国家的最先进的基于事件的运动估计方案，我们的技术是更有效和准确。
2019-10-21 cs.CV
Robust cDNA microarray image segmentation and analysis technique based on Hough circle transform
Zagazig University（扎加齐格大学）；Banha University（班哈大学）
在微阵列图像分析中最具挑战性的任务之一是斑点分割。这个问题的解决方案是提供一种算法，可以用来找到微阵列图像内的任何斑点。循环霍夫变换（CHT）是一种用于图像分析、计算机视觉和数字图像处理的强大的特征提取技术。将CHT算法应用于cDNA微阵列图像，以提高斑点定位、寻址和分割过程的准确性和效率。所应用的技术的目的是通过在cDNA微阵列图像上应用投票程序来定位斑点，同时将每个斑点的像素寻址和表征为前景像素和背景，从而在某类圆内找到斑点的不完美实例。在北卡罗来纳大学基因芯片数据库上的实验表明，该方法优于K-means方法和支持向量机（SVM）。保留字：Hough环变换，cDNA微阵列图像分析，cDNA微阵列图像分割，斑点定位与寻址，斑点分割
2016-03-23 cs.CV
Optical Braille Recognition using Circular Hough Transform
University of Essex（埃塞克斯大学）
盲文使视力有障碍的社区能够阅读和书写。但与此同时，由于非盲文用户普遍无法理解盲文文字，这也造成了一个缺口。这一差距促使研究人员提出光学盲文识别技术，将盲文文档转换为自然语言。这项工作的主要动机是通过翻译盲人学生的个人文件来巩固学术机构的沟通差距。这是通过提出一种经济有效的技术来实现的，该技术使用智能手机摄像头将盲文文件数字化。对于任意给定的盲文图像，提出了一种基于Hough变换的点检测机制，该机制对倾斜度、噪声和其他干扰具有不变性。检测到的点，然后聚类成盲文细胞使用基于距离的聚类算法。接着，估计每个盲文单元的标准物理参数，用于特征提取和分类为自然语言字符。在54种盲文文字的数据集上对该技术进行了综合评价，准确率达到98.71%。
2021-07-02 cs.CV
Convolutional Hough Matching Networks
POSTECH（浦项科技大学）
尽管在特征表示方面取得了进展，但利用几何关系对于在图像的大变化下建立可靠的视觉对应至关重要。在这项工作中，我们介绍了一个霍夫变换的卷积匹配的角度，并提出了一个有效的几何匹配算法，称为卷积霍夫匹配（CHM）。该方法将候选匹配的相似性分布在几何变换空间上，并以卷积方式对其进行评估。我们将其转换为一个具有半各向同性高维内核的可训练神经层，该层通过少量可解释参数学习非刚性匹配。为了验证效果，我们开发了具有CHM层的神经网络，该CHM层在平移和缩放空间中执行卷积匹配。我们的方法在语义视觉对应的标准基准上设置了一个新的艺术状态，证明了其对具有挑战性的类内变化的强大鲁棒性。
2021-03-31 cs.CV
Topologically Stable Hough Transform
Institute of Geometry, Graz University of Technology, Austria（格拉茨技术大学几何研究所，奥地利）；Josef Ressel Centre for Intelligent and Secure Industrial Automation, Salzburg University of Applied Sciences, Austria（约瑟夫·雷斯尔智能与安全工业自动化中心，萨尔茨堡应用科学大学，奥地利）
本文提出基于持续同源的霍夫变换变体，用于高效检测点云中的直线。
2026-03-12 cs.CG cs.CV
A Comparative study of Arabic handwritten characters invariant feature
University of Sfax（斯法克斯大学）
本文从实用角度出发，探讨了阿拉伯手写体文字的不可改变性。对基于Hough变换、Fourier变换、小波变换和Gabor滤波器的手写体字符特征提取技术进行了比较研究。结果表明，Hough变换和Gabor滤波器对旋转和平移不敏感，Fourier变换对旋转敏感而对平移不敏感，而Wavelet变换对旋转和平移都很敏感。
2012-11-08 cs.CV
Hough-SIFT: Robust Image Registration for Linear Structures via Hough Space
研究图像配准问题，针对SIFT在强线性结构场景中失效的情况，提出Hough-SIFT方法，通过在霍夫空间进行SIFT描述符匹配，恢复描述符可辨别性，该方法在特殊场景中稳健且在正常场景中保持准确性。
2026-08-14 cs.CV
Ensemble computation approach to the Hough transform
Institute for Information Transmission Problems of the Russian Academy of Sciences (IITP RAS)（俄罗斯科学院信息传输问题研究所 (IITP RAS)）
它表明，经典的Hough变换与数字直线的平移-高程参数化具有最多$\mathcal{O}(n^3 / \log n)$的$n\times n$图像的附加复杂性。证明是建设性的，并使用系综计算的方法来建立求和电路。所提出的方法具有与快速霍夫变换（FHT）的相似性，可以被认为是一种形式的“分而治之”的技术。它基于这样一个事实，即具有接近斜率的线可以被分解为共同的组件，从而允许对其他图案族进行泛化。当应用于FHT模式时，该算法精确地产生$Θ(n^2\log n)$ FHT渐近性，这可能表明实际的经典Hough变换电路可以比$Θ(n^3/ \log n)$更小的尺寸。
2018-02-19 cs.CC cs.CV
Connectivity-Enforcing Hough Transform for the Robust Extraction of Line Segments
Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（高等技术学院）
基于Hough变换（HT）的全局投票算法被广泛应用于图像中的直线检测。然而，由于投票不考虑线连接，这些方法不能很好地处理杂乱的图像。相反，所谓的本地方法强制连接，但缺乏鲁棒性来处理在许多现实场景中发生的具有挑战性的情况，例如，当线段交叉或长线段损坏时。在本文中，我们解决的关键限制HT作为一个线段提取器，将连接在投票过程中。这是通过仅考虑位于越来越大的邻域中的边缘点的贡献来完成的，并且边缘点的位置和方向内容与潜在的线段一致。其结果是，我们的方法，我们称之为直（段extRAction由connectivity-enforcInG HT），提取最长的连接段在每个位置的图像，从而也集成到HT投票过程中通常单独的步骤，个别段提取。霍夫空间映射和相应的分层实现的使用，使我们的方法计算上可行。我们提出的实验，说明，与合成和真实的图像，如何直成功地提取完整的部分在几种情况下，目前的方法失败。
2011-09-16 cs.CV
Vanishing Point Detection with Direct and Transposed Fast Hough Transform inside the neural network
Institute for Information Transmission Problems (Kharkevich Institute) RAS（俄罗斯科学院信息传输问题研究所（哈尔科夫研究所））；National University of Science and Technology “MISIS”（国立科技大学“MISIS”）；Moscow Institute for Physics and Technology（莫斯科物理技术学院）；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Smart Engines Service LLC（Smart Engines服务有限责任公司）
在本文中，我们提出了一种新的神经网络结构的消失点检测图像。关键元素是使用由具有标准激活函数的卷积层块分隔的直接和转置快速霍夫变换。它允许我们在网络输出端的输入图像的坐标中得到答案，从而通过简单地选择最大值来计算消失点的坐标。此外，证明了转置快速霍夫变换的计算可以使用直接的。积分算子的使用使神经网络能够依赖于图像中的全局直线特征，因此它是检测消失点的理想方法。为了证明所提出的架构的有效性，我们使用了一组图像从DVR和现有的方法显示其优越性。此外，注意，所提出的神经网络架构基本上重复例如在计算机断层摄影中使用的直接和反向投影的过程。
2020-07-07 cs.CV
Line detection via a lightweight CNN with a Hough Layer
Institute for Information Transmission Problems RAS（俄罗斯科学院信息传输问题研究所）
直线检测是计算机视觉的一项重要任务，传统上用Hough变换来解决。然而，随着深度学习的发展，可训练的线检测方法变得流行起来。在本文中，我们提出了一个轻量级的CNN线检测与嵌入式无参数的霍夫层，它允许网络神经元具有全局带状感受野。我们认为，传统的卷积网络在应用于线路检测任务时存在两个固有的问题，并展示了如何将Hough层插入到网络中来解决这些问题。此外，我们指出了目前用于线检测的数据集中的一些主要不一致之处。
2020-10-16 cs.CV
HoughToRadon Transform: New Neural Network Layer for Features Improvement in Projection Space
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Smart Engines Service LLC（Smart Engines服务有限责任公司）；Federal Research Center “Computer Science and Control” of RAS（俄罗斯科学院“计算机科学与控制”联邦研究中心）
本文提出HoughToRadon变换层，置于Hough变换层后以加速语义分割，在MIDV-500上达到97.7%准确率并节省时间。
2024-02-05 cs.CV cs.LG cs.NE
Hough2Map -- Iterative Event-based Hough Transform for High-Speed Railway Mapping
ETH Zurich（苏黎世联邦理工学院）；Siemens Mobility（西门子移动公司）；Microsoft（微软公司）
为了应对铁路系统日益增长的运输需求，需要准确、稳健和高频的定位，以安全有效地利用现有的铁路基础设施。作为定位系统的基础，我们提出了一个完整的车载映射管道，能够映射强大的有意义的地标，如电线杆，在车辆附近。这样的杆是可靠的和长期的地标，即使在困难的天气条件或季节变化的良好候选人。为了解决铁路场景中运动模糊和照明变化的挑战，我们采用了动态视觉传感器，一种新型的基于事件的相机。使用侧向定向的车载相机，杆显示为垂直线。为了在实时事件流中映射这些线，我们引入Hough 2 Map，这是一种新的连续迭代的基于事件的Hough变换框架，能够检测，跟踪和三角测量附近的结构。我们展示了Hough 2 Map在典型使用场景中对真实数据的映射可靠性和准确性，并使用调查基础设施地面实况地图进行评估。Hough 2 Map的检测可靠性高达92%，映射均方根误差精度为1.1518m。
2021-02-18 cs.CV cs.RO
Face Recognition using Hough Peaks extracted from the significant blocks of the Gradient Image
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
本文提出了一种利用二值梯度图像的Hough变换显著块的积分峰进行自动人脸识别的新方法。该方法首先计算图像的梯度并设置阈值，得到对噪声和光照变化不敏感的二值梯度图像。其次，从绝对梯度图像中提取重要块，利用降维思想提取相关信息。最后，从霍夫变换的重要块中提取最佳拟合的霍夫峰，以进行高效的人脸识别。然后将这些Hough峰连接在一起，作为分类过程中的特征。该方法的效率证明了实验1100图像从FRAV2D人脸数据库，2200图像从FERET数据库，其中图像的姿态，表情，照明和规模和400图像从ORL人脸数据库，其中图像略有不同的姿态。我们的方法已经显示出93.3%，88.5%和99%的识别准确率分别为FRAV2D，FERET和ORL数据库。
2013-12-05 cs.CV
Deep Hough Transform for Semantic Line Detection
Nankai University（南开大学）
我们专注于检测有意义的线结构的基本任务，又名语义线，在自然场景中。许多以前的方法把这个问题看作是目标检测的一种特殊情况，并调整现有的目标检测器进行语义线检测。然而，这些方法忽略了线路的固有特性，导致次优性能。直线的几何性质比复杂的物体简单得多，因此可以用几个参数来进行参数化。为了更好地利用线条的特性，本文将经典的Hough变换技术融入到深度学习的表示中，并提出了一个用于线条检测的一次性端到端学习框架。通过用斜率和偏差参数化线条，我们执行Hough变换将深度表示转换到参数域，在该参数域中我们执行线条检测。具体来说，我们沿着特征映射平面上的候选线聚集特征，然后将聚集的特征分配到参数域中的相应位置。因此，在空间域中检测语义线的问题被转换为在参数域中发现各个点，使得后处理步骤，即非最大抑制，更有效。此外，我们的方法可以很容易地提取上下文线特征，例如沿着靠近特定线的线的特征，这对于准确的线检测至关重要。除了所提出的方法，我们设计了一个评估指标来评估线检测的质量，并构建了一个大规模的数据集的线检测任务。在我们提出的数据集和另一个公共数据集上的实验结果表明，我们的方法比以前的最先进的替代品的优势。
2021-05-01 cs.CV
Palmprint image registration using convolutional neural networks and Hough transform
基于细节特征的掌纹识别系统在过去的二十年里受到了广泛的关注。由于掌纹中的大量细节点（大约1000个细节点），匹配过程是耗时的，这使得其对于实时的应用是不实际的。解决这个问题的一种方法是将所有掌纹图像与参考图像对齐，并将它们带到相同的坐标系。将所有的掌纹图像带到同一个坐标系，在细节匹配过程中减少了计算量。本文利用卷积神经网络（CNN）和广义Hough变换（GHT），提出了一种新的掌纹图像精确配准方法。该方法找到掌纹和参考图像之间的对应旋转和位移（在x和y方向上）。准确的掌纹配准可以提高匹配过程的速度和精度。该方法能够自动区分左右掌纹，提高了匹配速度。此外，在配准阶段设计了CNN的结构，将掌纹图像从背景中分割出来，为细节点提取做了预处理。在THUPALMLAB数据库上对所提出的配准方法和细节柱码（MCC）匹配算法进行了评估，结果表明该算法优于大多数现有算法。
2019-04-03 cs.CV
Convolutional Hough Matching Networks for Robust and Efficient Visual Correspondence
尽管在特征表示方面取得了进展，但利用几何关系对于在图像的大变化下建立可靠的视觉对应至关重要。在这项工作中，我们介绍了一个霍夫变换的卷积匹配的角度，并提出了一个有效的几何匹配算法，称为卷积霍夫匹配（CHM）。该方法将候选匹配的相似性分布在几何变换空间上，并以卷积方式对其进行评估。我们将其转换为一个具有半各向同性高维内核的可训练神经层，该层通过少量可解释参数学习非刚性匹配。为了进一步提高高维投票的效率，我们还建议使用一个有效的核分解与中心枢轴邻居，这显着稀疏所提出的半各向同性内核没有性能下降。为了验证所提出的技术，我们开发了具有CHM层的神经网络，该CHM层在平移和缩放空间中执行卷积匹配。我们的方法在语义视觉对应的标准基准上设置了一个新的艺术状态，证明了其对具有挑战性的类内变化的强大鲁棒性。
2021-09-11 cs.CV
Generalization of Brady-Yong Algorithm for Fast Hough Transform to Arbitrary Image Size
Smart Engines Service LLC；Institute for Information Transmission Problems (Kharkevich Institute) RAS（俄罗斯科学院信息传输问题研究所（哈尔凯维奇研究所））；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Federal Research Center Computer Science and Control RAS（俄罗斯科学院计算机科学与控制联邦研究中心）
本文提出一种针对任意尺寸图像计算Hough变换的新算法，推广了Brady-Yong算法并保持最优计算复杂度，同时显著提升了计算精度，理论分析与实验结果一致。
2024-11-11 cs.CV
HoughLaneNet: Lane Detection with Deep Hough Transform and Dynamic Convolution
Beihang University（北京航空航天大学）；Reichman University（赖赫曼大学）；Zhongguancun Laboratory（中关村实验室）
本文提出 HoughLaneNet，通过分层深度霍夫变换与动态卷积模块在霍夫参数空间中区分车道特征，有效提升严重遮挡或磨损场景下的车道检测性能。
2023-07-07 cs.CV cs.LG
Learning Hough Regression Models via Bridge Partial Least Squares for Object Detection
Xiamen University（厦门大学）；Hubei University of Economics（湖北经济学院）
基于Hough变换的目标检测方法通常通过对图像局部特征进行聚类来构造外观码本。然而，如何选择合适的值用于聚类步骤中使用的参数仍然是一个悬而未决的问题。此外，一些流行的直方图特征提取重叠的图像块可能会导致高度的冗余和多重共线性。本文提出了一种基于Hough变换的目标检测方法。首先，为了解决上述问题，我们利用桥偏最小二乘（BPLS）技术建立上下文编码的霍夫回归模型（HRM），这是线性回归模型，投概率霍夫投票预测对象的位置。BPLS是偏最小二乘（PLS）的一种有效的变体。基于PLS的回归技术（包括BPLS）可以减少冗余，消除特征集的多重共线性。和PLS中使用的唯一参数的适当值（即，潜在成分的数量）可以通过使用交叉验证过程来确定。其次，为了有效地处理对象尺度的变化，我们提出了一种新的多尺度投票方案。该方案可以同时获得对应于多个目标尺度的多幅Hough图像。第三，测试图像中的对象可以对应于不同尺度的多个真和假阳性假设。基于所提出的多尺度投票方案，提出了一种原则性的策略，通过评估假设之间的归一化逐点互信息来融合假设以减少误报。在实验中，我们还比较了建议的HRM方法与它的几个变种，以评估其组件对其性能的影响。实验结果表明，所提出的HRM方法在流行的基准数据集上取得了令人满意的性能。
2016-03-26 cs.CV
Recognition of feature curves on 3D shapes using an algebraic approach to Hough transforms
特征曲线主要用于突出形状特征，如尖锐的线条，或将表面划分为有意义的段，如凸或凹区域。提取这些曲线不足以传达关于形状的突出和有意义的信息。我们必须首先将属于特征的曲线与由噪声引起的曲线分开，然后选择描述表面的非平凡部分的线。这些特征的自动检测对于给定形状的相关部分的识别和/或注释至关重要。Hough变换（HT）是一种广泛应用于图像分析、计算机视觉和数字图像处理等领域的特征提取技术，而对于三维形状，显著特征曲线的提取仍然是一个悬而未决的问题。由于代数几何的概念，HT技术最近已扩展到包括一个巨大的类的代数曲线，从而证明是一个有竞争力的工具，产生明确的表示不同的特征线方程。在本文中，我们首次将HT技术的这种新扩展应用于3D形状领域，以便识别和定位3D对象（完整和碎片）上的图案，装饰或解剖细节等语义特征，即使在特征部分损坏或不完整的情况下。该方法识别各种功能，可能是复合的，它选择最合适的功能配置文件之间的代数曲线族。
2017-09-28 cs.CV
On the use of FHT, its modification for practical applications and the structure of Hough image
The Institute for Information Transmission Problems of Russian Academy of Sciences（俄罗斯科学院信息传输问题研究所）；Smart Engines（Smart Engines 公司）
本文研究了M. L.布雷迪我们提出了如何修改标准的FHT计算沿任何给定范围内的倾斜角的线的总和。我们还描述了一种新的方法来可视化Hough图像的基础上重组的累加器空间周围的中心。最后，我们证明了使用布雷迪参数化转换成一个“角度”类型的数字的任何线。
2018-11-14 cs.CV eess.IV
Graph clustering, variational image segmentation methods and Hough transform scale detection for object measurement in images
Universitá degli studi di Genova（热那亚大学）；The University of Nottingham（诺丁汉大学）；University of Cambridge（剑桥大学）；Zoological Society of London（伦敦动物学会）；NAVAIR（美国海军航空系统司令部）
我们考虑图像中的尺度检测问题，其中感兴趣的区域与测量工具（例如，标尺）一起存在。对于分割部分，我们专注于基于图的方法Flenner和Bertozzi重新解释经典的连续Ginzburg-Landau最小化模型在一个完全离散的框架。为了克服由于考虑的图像的大尺寸的数值困难，我们使用矩阵完成和分裂技术。通过基于Hough变换的算法检测测量工具上的刻度。然后将该方法应用于实际应用中出现的一些测量任务，如动物学，医学和考古学。
2016-09-23 cs.CV math.AP
Improving Road Signs Detection performance by Combining the Features of Hough Transform and Texture
Faculty of Sciences, Ibn Zohr University（伊本·佐赫尔大学理学院）
随着智能系统在不同领域的广泛应用，为了提高驾驶员和行人的安全，道路和交通标志识别系统一直是一个具有挑战性的问题和重要的任务。但是，在阿拉伯背景下感兴趣的图像中的交通标志的检测和识别领域所做的研究仍然不足。道路标志检测是交通标志检测与识别的主要阶段之一。本文提出了一种有效的解决方案来增强道路标志的检测，包括阿拉伯语上下文，基于颜色分割的性能，随机Hough变换和Zernike矩和Haralick特征的组合。分割阶段对于确定图像中的感兴趣区域（ROI）是有用的。随机霍夫变换（RHT）用于检测圆形和八边形形状。该阶段通过Haralick特征和Zernike矩的提取得到改进。此外，我们使用它作为基于SVM的分类器的输入。实验结果表明，该方法可以使我们执行的测量精度。
2020-10-13 cs.CV eess.IV
Analyzing Deviations of Dyadic Lines in Fast Hough Transform
University of Geneva（日内瓦大学）；Institute for Information Transmission Problems, RAS（俄罗斯科学院信息传输问题研究所）
本文统计分析快速霍夫变换中二元线偏差，发现平均偏差为零、方差随图像尺寸对数增长，且归一化偏差分布收敛于正态分布，利用遍历理论得出极限结果。
2023-11-16 cs.CV math.PR
Computational complexity lower bounds of certain discrete Radon transform approximations
Institute for Information Transmission Problems of the Russian Academy of Sciences (IITP RAS)（俄罗斯科学院信息传输问题研究所）
对于只允许加法运算的计算模型，给出了两种离散Radon变换实现方式的运算次数与图像大小$n\times n$的$Ω(n^2\log n)$下界：快速Hough变换和包含经典Hough变换的通用条形图案类，这意味着快速Hough变换算法的渐近最优性.证明是基于布尔电路复杂性理论的一个具体结果，并推广到布尔$\vee$二元运算的情况。
2018-01-03 cs.CC cs.CV
Fetal Head and Abdomen Measurement Using Convolutional Neural Network, Hough Transform, and Difference of Gaussian Revolved along Elliptical Path (Dogell) Algorithm
Faculty of Computer Science Universitas Indonesia（印度尼西亚大学计算机科学学院）
与发达国家相比，印度尼西亚的胎儿-新生儿死亡人数仍然很高。这是由于在怀孕期间缺乏对产妇的监测造成的。本文介绍了一种从超声图像中自动测量胎儿头围和腹围的方法。这种自动测量有利于在怀孕期间检测早期胎儿异常。我们使用卷积神经网络（CNN）的方法，对USG数据进行预处理。在此基础上，利用Hough变换算法和高斯椭圆路径旋转差分（Dogell）算法对头围和腹围进行了近似。我们使用了印度尼西亚国立医院的数据集，并将我们的结果与专业产科医生测量的注释图像进行了比较。实验结果表明，通过使用CNN，我们减少了由噪声图像引起的错误。我们发现Dogell算法在时间和精度上都优于Hough变换算法。这是第一个使用CNN方法预处理数据的HC和AC近似。
2019-11-14 cs.CV eess.IV q-bio.QM
A Generalization of CLAP from 3D Localization to Image Processing, A Connection With RANSAC & Hough Transforms
Robotics and Mechanisms Laboratory (RoMeLa), Department of Mechanical and Aerospace Engineering, University of California, Los Angeles（机器人机制实验室（RoMeLa）、机械与航空航天工程系、加州大学洛杉矶分校）
本文将2D定位算法CLAP扩展至3D定位和图像拼接，并揭示其与RANSAC和霍夫变换的关联，为多领域处理噪声和不确定性提供了通用框架。
2025-09-17 cs.CV cs.RO
Camera distortion self-calibration using the plumb-line constraint and minimal Hough entropy
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of Oxford（牛津大学）
在本文中，我们提出了一个简单的和强大的方法，用于自校正的相机失真，使用单一的图像的场景，其中包含直线。由于最常见的失真可以被建模为径向失真，我们使用Harris径向失真模型来说明该方法，但是该方法适用于任何失真模型。该方法是基于变形图像的边缘变换到一个1-D的角度Hough空间，并优化失真校正参数，使相应的归一化直方图的熵最小化。正确校正的图像将具有更少的曲线，因此在霍夫空间中的传播更少。由于该方法不依赖于任何图像结构，除了共享一些共同方向的边缘的存在，不使用边缘拟合，它适用于各种各样的图像类型。例如，它可以同样很好地应用于图像的纹理与弱，但主导的方向，或图像与强消失点。最后，该方法在合成和真实数据上进行，揭示了它对噪声特别鲁棒。
2009-01-04 cs.CV
A High-Accuracy Fast Hough Transform with Linear-Log-Cubed Computational Complexity for Arbitrary-Shaped Images
Smart Engines Service LLC；Institute for Information Transmission Problems (Kharkevich Institute) RAS（信息传输问题研究所（Kharkevich研究所）俄罗斯科学院）；Faculty of Mechanics and Mathematics Lomonosov Moscow State University（力学与数学系 洛蒙索夫莫斯科国立大学）；Federal Research Center Computer Science and Control RAS（联邦研究信息科学与控制俄罗斯科学院中心）
针对现有快速霍夫变换在任意尺寸图像上精度随尺度下降、高精度算法计算成本过高的问题，提出$FHT2SP$算法，通过拓展超像素概念整合到$FHT2DT$中，实现接近最优的线性对数立方复杂度与常数有界可控误差。
2025-08-29 cs.CV
From Lines to Shapes: Geometric-Constrained Segmentation of X-Ray Collimators via Hough Transform
Siemens Healthineers, 91301 Forchheim, Germany（西门子医疗影像有限公司）；Artificial Intelligence Lab, Otto-von-Guericke University, Universitätsstr. 2, 39106 Magdeburg, Germany（奥托·冯·格里克大学人工智能实验室）
针对X射线准直器阴影边缘易被散射射线遮挡的问题，提出融合可微霍夫变换网络、受几何约束的深度学习分割方法，结合边界与ROI中心信息生成优化分割掩码，在真实图像测试集上实现鲁棒重建且不受边数限制。
2025-09-04 cs.CV physics.med-ph
Enhancing Surveillance Camera FOV Quality via Semantic Line Detection and Classification with Deep Hough Transform
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；AWS（亚马逊云服务）
针对摄像机视场质量缺乏自动评估的问题，提出结合深度Hough变换的语义线检测与分类方法，在EgoCart上取得F1 0.729和83.8%分类准确率。
2024-01-17 cs.CV cs.LG
Automatic Detection of Calibration Grids in Time-of-Flight Images
INRIA Grenoble Rhône-Alpes（法国国立信息与自动化研究院格勒诺布尔罗讷-阿尔卑斯分院）；Queen Mary, University of London（伦敦大学玛丽女王学院）；SuperSonic Imagine（SuperSonic Imagine公司）
使用棋盘图案的图像，通过已建立的方法来校准飞行时间相机是方便的。然而，振幅图像的低分辨率使得难以可靠地检测板。启发式检测方法，连接的图像组件的基础上，执行这些数据非常差。这里介绍一种基于Hough变换的替代的几何原理方法。棋盘格的投影由两束线表示，这两束线在图像的梯度数据中被识别为定向簇。投影霍夫变换应用于轴对齐坐标中的两个聚类中的每一个。每个变换的范围都有适当的界限，因为相应的梯度向量近似平行。这两个变换中的每一个都包含一系列共线峰值;给定铅笔中的每一条线都有一个。这种模式很容易检测到，通过扫描一条双线通过变换。建议Hough为基础的方法相比，标准的OpenCV检测例程，通过应用到几百个飞行时间的图像。结果表明，新方法检测到更多的校准板，在更大的各种姿势，没有任何整体损失的准确性。这一结论是基于对几何误差和光度误差的分析。
2014-01-24 cs.CV
Construction Site Scaffolding Completeness Detection Based on Mask R-CNN and Hough Transform
National Taiwan University（台湾大学）
针对建筑工地脚手架人工检查完整性效率低的问题，提出基于深度学习与计算机视觉的方法，用标注脚手架图像数据集训练CNN模型，可自动检测交叉支撑完整性，节省成本并提升工地安全。
2025-03-18 cs.AI cs.CV
Fractional Vegetation Cover Estimation using Hough Lines and Linear Iterative Clustering
Kansas State University（堪萨斯州立大学）；The Land Institute（土地研究所）
全国各地的植物育种计划的一个共同要求是伴随种植-种植不同种类的植物在接近，使他们可以互惠互利。然而，确定伴生植物需要仔细监测植物生长。眼睛监测的技术通常是费力的并且容易出错。图像处理技术的可用性可用于解决植物生长监测的挑战，并提供强大的解决方案，帮助植物科学家识别伴生植物。本文提出了一种新的图像处理算法来确定在一个给定的区域，目前的植被覆盖量，称为分数植被覆盖。所提出的技术从值得信赖的Daubenmire方法植被覆盖估计的灵感，并扩大了它。简而言之，这个想法是估计植被覆盖从包含多行植物物种生长在一个多段PVC框架的已知大小的距离很近的图像。该算法应用Hough变换和简单线性迭代聚类（SLIC）来估计PVC帧的每个段内的植被覆盖量。当对定期捕获的图像重复进行分析时，可以提供有关植物生长的重要见解。作为一种比较手段，所提出的算法相比，SamplePoint和Canopeo，两个可信的应用程序用于植被覆盖估计。与SamplePoint和Canopeo的比较显示了99%的相似性，证明了该算法用于分数植被覆盖估计的准确性和可行性。
2022-04-30 cs.CV
HoughNet: neural network architecture for vanishing points detection
LLC Smart Engines Service（Smart Engines Service有限责任公司）；Moscow Institute of Physics and Technology (National Research University)（莫斯科物理技术学院（国家研究型大学））；Institute for Information Transmission Problems (Kharkevich Institute) RAS（俄罗斯科学院信息传输问题研究所（哈尔克维奇研究所））；National Research University Higher School of Economics（高等经济研究型大学）
本文介绍了一种基于快速Hough变换层的新型神经网络结构。这种类型的层允许我们的神经网络从整个图像的线性区域而不是局部区域积累特征。我们证明了它的潜力，解决了消失点检测的问题，在图像中的文件。这种问题发生在处理相机拍摄的文件在不受控制的条件。在这种情况下，文档图像可能遭受包括投影变换在内的几种特定失真。为了对模型进行训练，我们使用了MIDV-500数据集，并提供了测试结果。通过将该方法应用于一个完全不同的ICDAR 2011去翘曲竞赛，证明了该方法具有很强的泛化能力。在之前发表的论文中，考虑到这些数据集，作者通过使用开放的OCR引擎Tesseract对正确识别的单词进行计数来测量消失点检测的质量。为了与它们进行比较，我们重现了这个实验，并表明我们的方法优于最先进的结果。
2019-10-06 cs.AI cs.CV
Flight Contrail Segmentation via Augmented Transfer Learning with Novel SR Loss Function in Hough Space
Delft University of Technology（代尔夫特理工大学）
本文提出一种基于少样本迁移学习和增强数据集的飞行尾迹分割方法，并设计Hough空间中的新型SR Loss损失函数，以提升尾迹线检测性能，解决标注数据稀缺问题。
2023-09-25 cs.CV cs.LG eess.IV
A Method of Detecting End-To-End Curves of Limited Curvature
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；Smart Engines Service LLC（Smart Engines服务有限责任公司）；The Institute for Information Transmission Problems of Russian Academy of Sciences（俄罗斯科学院信息传输问题研究所）；Cognitive Technologies（认知技术公司）；National University of Science and Technology “MISIS”（“MISIS”国立科技大学）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；V. A. Trapeznikov Institute of Control Sciences of Russian Academy of Sciences（俄罗斯科学院V.A.特拉佩兹尼科夫控制科学研究所）
在本文中，我们考虑了一种方法来检测有限曲率的端到端的曲线，如k-链接折线与相邻段之间的弯曲角在给定范围内。通过最大化图像矩阵中的质量函数来实现近似精度。该方法是基于一个动态规划计划构造的快速霍夫变换计算结果的图像波段。所提出的方法的渐近复杂性是$O(h \cdot (w+ \frac{h}{k}) \cdot log(\frac{h}{k}))$，其中$h$和$w$是图像大小，以及$k$是近似的链接数，这是快速傅立叶变换或快速霍夫变换的复杂性的模拟。我们还显示了所提出的方法的合成和真实数据的结果。
2019-12-04 cs.CV
A fast semi-automatic method for classification and counting the number and types of blood cells in an image
McMaster University（麦克马斯特大学）
提出了一种新的快速半自动血细胞分割、定位和计数方法。在该方法中，阈值被用于将细胞核与其他部分分离。我们还使用Hough变换的圆定位的中心的白色细胞。使用模板匹配进行红细胞的定位和计数。我们利用寻找局部最大值，标记和平均值计算，以缩小应用Hough变换或模板匹配后获得的区域，以单个像素作为每个区域的位置的代表。所提出的方法是非常快的，准确地计算白细胞的数量和位置。它还能够定位和计数红细胞，误差很小。
2020-04-18 cs.CV cs.LG eess.IV
A Retinal Image Enhancement Technique for Blood Vessel Segmentation Algorithm
University of Moratuwa（莫勒图沃大学）；Base Hospital Kebithigollawa（科比蒂戈勒沃基地医院）
眼底血管形态是青光眼、高血压、糖尿病视网膜病变等疾病的重要指标。视网膜血管分割的准确性直接影响着现代眼科诊断方法中视网膜图像分析的质量。对比度增强是任何视网膜血管分割方法中的关键步骤之一。分割的可靠性取决于图像上对比度的一致性。本文提出了一种评估的适用性，最近发明的空间自适应对比度增强技术，增强视网膜眼底血管分割图像。该增强技术与Tyler Coye算法的一种变体相结合，该算法已被改进为基于Hough线变换的血管重建方法。该方法在两个公共数据集STARE和DRIVE上进行了评估。评估是通过比较的分割性能与五个广泛使用的对比度增强技术的基础上小波变换，对比度有限的直方图均衡化，局部归一化，线性反锐化掩模和轮廓波变换。结果表明，评估增强技术是非常适合的应用程序，也优于所有比较技术。
2018-02-28 cs.CV
A New De-blurring Technique for License Plate Images with Robust Length Estimation
Vellore Institute of Technology（韦洛尔理工学院）
在必须识别肇事车辆的情况下，在看到监控摄像头快照的同时清楚地识别车牌通常很重要。在许多现实世界的情况下，这些图像是模糊的，由于车辆的快速运动，不能识别的人眼。对于这种模糊，所涉及的内核可以说是由其角度和长度描述的线性均匀卷积。我们提出了一种新的去模糊技术，在本文中参数估计的内核尽可能准确的长度估计过程中的重点。我们使用的技术，采用霍夫变换估计的内核角度。为了准确估计核长度，介绍了一种新的方法，使用倒谱变换。我们比较使用我们的计划与其他最近推出的盲去模糊技术的去模糊结果。比较证实，我们的计划可以删除一个大的模糊从摄像头捕获的图像中恢复重要的语义信息的车牌。
2018-02-17 cs.CV
Pupil Center Detection Approaches: A comparative analysis
Universidad de Oriente（东方大学）；École Polytechnique de Montréal（蒙特利尔理工学院）
在过去的十年中，用于眼动追踪的技术和工具的开发一直是一个不断增长的领域。使用图像处理技术检测瞳孔的中心已经是该过程中的重要步骤。已经提出了使用传统的图像处理和基于机器学习的方法来进行瞳孔中心检测的大量技术。尽管提出了大量的方法，但没有发现使用相同的图像和性能指标对其性能进行比较的工作。在这项工作中，我们的目的是比较四个最常被引用的传统方法的瞳孔中心检测的准确性，鲁棒性和计算成本。这些方法是基于圆Hough变换、椭圆拟合、Daugman积分微分算子和径向对称变换。对来自CASIA-IrisV 3和CASIA-IrisV 4数据库的800幅包含各种干扰的红外图像进行了比较分析。基于径向对称变换的方法性能最好，准确率和平均鲁棒性均高于94%。用椭圆拟合法得到的最短加工时间为0.06 s。
2020-06-19 cs.CV eess.IV
