通过考虑图像灰度的三维表示作为统计分布的有限混合模型，本文旨在检测图像中的线性结构。采用背景减法和基于 Hessian 的参数初始化方案的期望最大化算法，提供了对线性结构的准确性检测，尽管图像背景不规则且存在模糊和噪声。

Apr, 2024

本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

Mar, 2020

本文研究了利用 Hessian 矩阵检测曲线状血管结构的可行性和局限性，并提出了一种新的增强函数以克服现有方法的不足，该方法已通过合成和真实的 2D 和 3D 生物医学图像的定量和定性评估，并与现有方法进行了比较，实验结果证明我们提出的方法实现了高质量的曲线结构增强。

Feb, 2019

本文提出了一种基于结构张量的新的直接边缘导向图像超分辨率算法，使用各像素的各向同性高斯滤波器计算结构张量，根据其特征值将像素分为统一区域、角落和边缘三个不同类别，通过结构张量切线特征向量，确定边缘方向并用于沿边缘插值，与部分以前的边缘导向图像插值方法相比，该方法在客观和主观方面都达到了更高的质量。此外，该算法不需要优化处理即可实现更高的速度。

Feb, 2014

通过改进的随机 Hough 变换技术，我们通过线性特征和空间分布来解决 UAV 图像中传输线路的检测准确度低和误报率高的问题，通过使用 Hessian 矩阵进行初始预处理和边界搜索和像素行分割来与背景进行区分，我们成功减少了误报和漏检，从而提高了传输线路识别的准确性。实验证明，与传统和随机 Hough 变换方法相比，我们的方法不仅处理图像更迅速，而且检测结果更好。

Feb, 2024

为了解决 Transformer 网络在遥感图片变化检测中可能存在的问题，本文提出了一种轻量级结构感知 Transformer（LSAT）网络，有效地提高了 RS 图片 CD 的特征表达能力，并在各种 VHR RS 图片 CD 方法中实现了更好的检测精度和计算成本平衡。

Jun, 2023

描述了一种组合了 Radon 变换和一维累积分布变换的非线性可逆图像处理变换，并通过理论和实验结果表明其可以将某些问题在变换空间中线性可分。

Nov, 2015

提出了一种基于 Deep Distance Transform (DDT) 的几何感知管状结构分割方法，通过结合经典距离变换与现代深度学习分割网络，从学习到的距离图与分割掩模形态先验信息相结合，有效提高管状结构分割性能，同时提供了管状结构的几何测量数据，对临床诊断具有重要意义。

Dec, 2019

介绍了一种 HoughToRadon 变换层，旨在改善神经网络与 Hough 变换结合以解决语义图像分割问题的速度。实验证明，这种方法在文档分割任务中节省时间并实现了 97.7% 的准确率，优于计算复杂度更高的 HoughEncoder。

Feb, 2024

本文提出了一种新的测量两个概率分布距离的方法 -- 分层切片 Wasserstein 距离（HSW）, 通过研究这种方法的理论性质以及在一些数据集上的比较，我们发现 HSW 在计算代价和生成质量上优于传统的 Sliced Wasserstein 距离。

Sep, 2022