直线是日常生活中常见的一种几何结构,通常会出现在物体的边缘,直线结构可以反映出图像最基本的结构框架,为进一步图像处理工作提供了重要依据。当前,直线检测算法层出不穷,相较于最初的方法已经有了巨大的进步。然而,现有的直线检测算法大多是针对灰度图像设计和实现的,在处理彩色图像时会抛弃其颜色信息,从未导致算法在低对比度图像上检测效果不佳。为此,本文首次将机器学习的思想引入直线检测算法中,提出了一种基于模板分类的直线检测方法,可以有效解决该问题。本文算法使用聚类的方式来构造直线模板,采用人工标记过的直线图像作为训练数据,使用随机森林作为分类器,通过此随机森林可以预测图像像素点属于每一类模板的概率,考虑到图像中直线的清晰程度和数量的问题,采用自适应的阈值设置来确定最终直线像素点的位置。为了确定哪些像素点为一条直线,通过判断方向差来将一条直线上的像素点链接起来,接着采用点-直线距离的方式将像素链拆分为更加共线的短的像素链,然后通过基于直线概率的最小二乘拟合来获取短直线参数,最后以直线特征作为融合的依据将短直线合并为长直线。为了抑制虚假直线,采用了双重验证的方式来确定检测的最终结果。本文算法分别在高低对比度的人工生成图像和自然图像上进行了测试,验证了本文所提算法对于解决低对比度图像直线检测问题的有效性,并通过定量的评价指标证明了所提算法的综合性能。