ポイントのセットで大まかな線をすばやく見つける

特定のクラスの検出器では、データは2次元のポイントのペアとして出力されるため、これらのポイントをラインにストリング化する必要があります。

データはノイズが多く、一方向にビニングされますが、他の方向にはビニングされません。各検出器要素が動作している場合でも、すべてのビンでのヒットを保証することはできないため、スキップが発生する可能性があります。

現在の分析チェーンは次のようになります

1. 個々の検出素子のキャリブレーションのヒットを調整します
2. クラスターを見つける
3. クラスターへのラフフィットライン
4. クラスターをより長いライン状の構造に接続します
5. ...

この質問はステップ（3）に関するものです。

そのステップでハフ変換を使用してきましたが、うまく機能しますが、テストベッドから本格的なプロジェクトのシミュレーションにスケールアップしようとすると、許容できないほど遅くなります。

もっと速い方法を探しています。

ここで実際の使用例を気にする人のために、液体アルゴン時間投影チャンバーがあります

より高速な確率的バージョンのハフ変換（PHT）があります。Bradski＆KaehlerのOpenCV本で説明されているように：

アイデアは、とにかくピークが十分に高くなり、それを見つけるのにほんの少しの時間で十分であることです。

OpenCVライブラリは、PHTの実装を提供します。

他の選択肢があります。ハフ変換の分散バージョンを作成することは難しくありません。ポイントセットを小さなチャンクに分割し、MapReduceフレームワークを使用してすべてのアキュムレーターを合計します。他のアイデアは、低解像度のパラメータ空間を使用してハフ変換の粗いバージョンを実行することです。最適な候補を選択し、より高い解像度を示すパラメーター空間を使用して、より細かい反復を実行します。たぶん、これがガンダルフのFHTの背後にある考え方です。

私の同僚は、GandalfライブラリでFast Hough Transformを見つけました。これは非常に有望に見えますが、統合するのに多くの作業が必要になる可能性があるため、他のアプローチを探しています。

ガンダルフの実装は興味深いものです。アキュムレータ空間を、四分木または八分木を横断するかのように再帰的に評価します。多くの密度のない領域は、それらが進むにつれて捨てられます。