Быстрое нахождение неровных линий в наборах точек

12

В конкретном классе детекторов наши данные поступают в виде пар точек в двух измерениях, и мы хотим выстроить эти точки в линии.

Данные зашумлены и сгруппированы в одном направлении, но не в другом. Мы не можем гарантировать попадание в каждую ячейку, даже когда каждый элемент детектора работает, поэтому возможны пропуски.

Наша текущая цепочка анализа выглядит так

Отрегулируйте попадания для калибровки отдельных элементов детектора
Найти кластеры
Грубые линии подгонки к кластерам
Соедините кластеры в более длинные линейные структуры
...

Этот вопрос касается шага (3).

Для этого шага мы использовали преобразование Хафа, и оно работает хорошо, но, поскольку мы пытаемся перейти от испытательного стенда к моделированию полномасштабного проекта, оно становится неприемлемо медленным.

Я ищу более быстрый путь.

Для тех, кого интересует фактический вариант использования, здесь есть камера для проекции времени с жидким аргоном.

regression computer-vision pattern-recognition

— dmckee --- котенок экс-модератора
источник

1

Мы также выполнили рекурсивный метод преобразования Хафа для отслеживания пути через многопроволочные пропорциональные камеры в FermiLab. Старший тезис Эрика Кангаса содержит все детали. Я думаю, что это все еще лучший способ сделать это.

— Мэтт Кнепли

1

Вы имели в виду «... пары на точке ...» или «... пары точек ...» в первом предложении?

— Билл Барт

2

Существует вероятностная версия преобразования Хафа (PHT), которая работает быстрее. Как описано Bradski & Kaehler в их книге OpenCV:

Идея состоит в том, что пик все равно будет достаточно высоким, и тогда его попадание будет длиться лишь часть времени.

Библиотека OpenCV представляет реализацию для PHT.

Есть и другие альтернативы. Нетрудно создать распределенную версию преобразования Хафа. Просто разбейте свою точку на меньшие порции и используйте инфраструктуру MapReduce, чтобы суммировать все аккумуляторы. Другая идея состоит в том, чтобы выполнить грубую версию преобразования Хафа, используя пространство параметров с низким разрешением. Выберите своих лучших кандидатов и выполните более точную итерацию, используя пространство параметров с более высоким разрешением. Может быть, это идея FHT Гэндальфа.

— TH.
источник

1

PHT был предложен в: Matas, J. and Galambos, C. and Kittler, JV, Робастное обнаружение линий с использованием прогрессивного вероятностного преобразования Хафа. CVIU 78 1, стр 119-137 (2000).

— TH.

Конечно, процедура штрафа может быть обобщена на несколько этапов, что и делает Гэндальф.

— dmckee --- котенок экс-модератора

Кстати, со времени, когда я задал этот вопрос, коллега добавил модуль, использующий прогрессивную вероятностную версию преобразования в нашем коде. Это привело к нескольким связанным изменениям, поэтому трудно точно определить, в чем они заключались, но это часть пакета, который значительно ускорил пару шагов анализа. Итак, я собираюсь принять это как «выигрышный» совет.

— dmckee --- котенок экс-модератора

5

Мой коллега нашел быстрое преобразование Хафа в библиотеке Гэндальфа , которая выглядит очень многообещающе, но может потребовать много усилий для интеграции, поэтому я ищу другие подходы.

Реализация Gandalf интересна: они вычисляют пространство аккумулятора рекурсивным способом, как если бы они проходили через четырехугольник или окт-дерево. Регионы без особой плотности выбрасываются на ходу.

— dmckee --- котенок экс-модератора
источник