计算机视觉是一门从图像或数据中感知信息的学科,其中一个很重要的研究内容就是图形检测。图形检测在医学图像处理、工业产品检测等领域都有广泛的应用。例如求解卫星舱等复杂布局设计问题时,一般先把三维圆柱体和长方体待布物的布局设计问题转化为二维圆与矩形待布物的布局设计问题,然后通过人机结合的演化算法对问题的解进行优化求解。该方法涉及对布局知识图圆和矩形检测问题。一般会先将布局知识图上的多圆检测并剔除后,再进行矩形的检测。由于圆的解析性,将圆剔除后,原来的矩形图形会残缺,已有的方法会产生误检或漏检现象。另外,布局知识图存在相交的矩形。因此,本文在湖南省自然科学基金的赞助下对布局知识图的矩形检测问题展开研究,主要内容如下:1.本文提出了一种基于随机Hough变换的多矩形检测算法。首先随机产生一个中心点,然后搜索矩形的两个对角顶点,确定矩形的大小,再搜索第三个顶点,根据它与两个对角顶点的位置关系确定矩形的倾角,若该顶点与两个对角顶点形成的两线段相互不垂直,则剔除该顶点,降低无效采样,最后确定三个顶点所构成的矩形是否为真矩形。实验结果表明:该方法在图像存在较少噪声点时,在检测效率及检测精度上优于RTGPIEV算法。2.本文提出了一种多矩形检测的混合神经网络方法。首先通过基于随机Hough变换的矩形检测算法检测出矩形的大致位置,并根据大致位置生成初始聚类,然后基于单层神经网络对倾斜矩形进行检测,剔除属于倾斜矩形的像素点后,再基于深度学习对非倾斜矩形进行检测。实验结果表明:该方法在图像噪声点较密集时,在检测效率及检测精度上优于RTGPIEV算法。本文以研究卫星舱布局知识图的检测问题为背景,研究布局知识图多矩形检测问题,提出了基于随机Hough变换和神经网络的矩形检测算法,较好地适应相交残缺多矩形检测问题。希望本文提出的矩形检测方法能推广到更多的领域,解决其他领域在复杂背景下的多矩形检测问题。