需求突然轉換到，識別有背景的戶型圖：

具體效果參考空間大師，首先提出墻體，然后識別門窗、家具。

空間大師對實現(xiàn)思路幾乎沒有幫助，絕望之際找到一篇論文，看結果還不錯，于是我們就開始根據(jù)論文一步步實現(xiàn)。

論文為：基于形狀與邊緣特征的戶型圖識別研究_江州，有兩種方法：

一、基于形狀特征的戶型圖識別

1、墻體線分割

彩色圖-->灰度圖-->統(tǒng)計灰度直方圖，最大值即為背景灰度。

墻體的幾何特征，平直度：

若某灰度值的平直度越高，則代表該灰度值的整體分布越趨于平直化。

墻體分割算法的主要流程為：

（1）統(tǒng)計全局圖像的灰度值，（2）計算分布圖中峰值灰度的平直度，（3）平直度最高的灰度值即為墻體線的灰度，（4）二值化閾值（通常取灰度域）。

2、墻體線降噪

觀察發(fā)現(xiàn)，噪聲部分連圖片連通區(qū)大小遠小于墻體線構成的連通區(qū)，且峰值連通區(qū)的數(shù)目決定了墻體的數(shù)量。

提出，基于連通區(qū)的快速去噪算法，主要思路：（1）統(tǒng)計全局的連通區(qū)大小，（2）找到能分割出所有峰值連通區(qū)對應的最小閾值，（3）以該閾值的1/2作為分割閾值，對圖像中的連通區(qū)進行分割。

3、墻體線矯正與分析

4、門窗的分割與識別

窗：平行線的紋理特征

門：圓弧所分割兩個區(qū)域的面積比

二、基于邊緣特征的戶型圖識別（我們進行了代碼實現(xiàn)）

1、像素級邊緣提取

對于邊緣提取，canny算子的效果最好，保留了圖像更多的細節(jié)，且對部分破損邊緣進行修補，但處理時間長；

sobel算子，能較好地保持邊緣細節(jié)，速度快，但自動過濾掉了一部分不關注的邊緣。

選擇了sobel算子進行邊緣檢測。

（1）去標尺，得到處理圖像的邊界（灰度值投影找峰值的方法）

imageWithoutRuler(image, imageWithoutR, border);

（2）邊緣梯度的計算，計算四個方向的sobel梯度模板，選取最大的作為其梯度值及方向。

采用四個方向的梯度模板的好處在于充分利用8鄰域內像素灰度信息的同時，判斷方向快速且只涉及到加法。

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

梯度圖：

方向圖：

（3）閾值分割及非極大值抑制

閾值分割，對感興趣的圖像進行分離，提取出梯度較高的像素點，這些像素點灰度值變化劇烈，為邊緣的候選點。

論文推薦分割的閾值：

非極大值抑制，保證該店為局部范圍內梯度最大的點，保證邊緣為單像素寬度，方便進行后續(xù)的邊緣追蹤。

方法：在該梯度上，該像素點大于等于相鄰的兩個像素點的梯度值。

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

（4）去冗余點與毛刺

（冗余點的定義沒看懂。）

毛刺，即分支點的特征為：在像素的八鄰域內，有不超過一個像素點。

removeBurr(gradImage1, gradImage2, border);

（5）邊緣跟蹤

為了方便后續(xù)對邊緣數(shù)據(jù)進行參數(shù)化，必須對提取的邊緣進行編碼。其編碼算法的步驟如下：

步驟 1：從左到右，從上到下，檢索出所有連續(xù)邊界的起始點，記下起始點坐標，并將該點的灰度值，置為背景灰度 0；

步驟 2：以該點的梯度方向為搜索方向，不斷循環(huán)檢索下一個頂點。若找到，則加下該檢索方向，并將該點的灰度值置為背景灰度 0；若沒找到，說明該點是孤立點，即邊緣的終點，跳出循環(huán)；

步驟 3：以像素數(shù)目門限對跟蹤結果進行過濾，低于門限的邊緣被濾除。

該邊緣編碼方案與傳統(tǒng)的編碼方法進行比較，一方面，直接對源圖像內的像素點進行置零操作，極大地減少了遍歷次數(shù)；另一方面，在檢索下一個邊界點時，把上一個檢索方向作為優(yōu)先檢索方向，檢索效率得到了較大的提升。

edgeTracking(gradImage2, thetaImage, border, lines_before);

2、亞像素級邊緣提取

。。。。。。

我們的困境在于不知道怎么去除干擾項，實現(xiàn)了部分代碼后，發(fā)現(xiàn)論文中是手動去除干擾。。放棄。