您正在查找峰的坐标，然后使用轴将其缩放为 [θ,ρ] 坐标。

根据数据的嘈杂程度、预期的错误峰值数量以及您拥有的时间，有几种方法可以做到这一点。最简单的方法是选择一个真正的峰值水平，切割低于该水平的所有数据，然后在每个峰值上做一个重心以获得它的中心。

您还可以腐蚀/调整图像，直到每个峰值都是一个像素。

File Exchange 上的此代码将帮助您找到所有局部最大值。 http://www.mathworks.com/matlabcentral/fileexchange/14498-local-maxima-minima

如果您对要查找的行数（在本例中为五行）有所了解，则只需选择 Hough 分数最高的五个局部最大值。

您可以定位给定半径的局部最大值。例如，您扫描 Hough 图像，仅当它们在$3\times 3$窗户。

第二步可以将峰值位置细化为亚像素精度。这可以通过抛物线拟合来完成。

假设霍夫图像中的值为$f(x)$在哪里$x$是二维位置。现在你想找到一个校正向量$p$最大化$f(x + p)$. 这可以用泰勒展开来写：

校正向量为

可以通过有限差分从霍夫图像计算导数。

请注意，是一个 Hessian 矩阵，是一个 2 向量（水平和垂直梯度），因此也是一个 2 向量，指定子像素移位以获得局部最大化器的准确位置。$f''(x)$$2\times2$$f'(x)$$p$

上述等式有时可能会产生超过 1 个像素的偏移。在这种情况下，最大化器邻域不具有抛物线形状，您可能不想进行校正，甚至应该放弃候选最大化器。

Gerig 和 Klein 在 80 年代中期开发了一种非常好的技术。它是一个反向映射过程，它分析霍夫空间以识别与每个边缘点关联的最可能的点，然后构造第二个霍夫空间，其中边缘点到参数的映射是一对一的，而不是一对多的。是通常的第一阶段。我没有提到手，但请查看 Illingworth 和 Kittler 的开创性 Hough 评论论文（大约 1987 年？）