特征提取的目的是获取特征数目少且分类错误概率小的特征向量。直线是图像的基本特征之一，也是图像理解的一种重要符号，因此线特征提取在计算机视觉、图像分割和模式识别中有着重要的研究价值。近年来，人们已经提出许多种线特征提取的方法。小波适合于描述各向同性的点奇异性特征，也即在表示具有点奇异性的目标函数时是最优基，然而对图像中各向异性的边缘以及线特征不是很好的表示工具。Radon变换和Hough变换是常用的直线检测方法，其本质都是对图像进行某种形式的坐标变换，将原始图像中的直线或曲线特征映射成参数空间的点，然而两者都存在对图像中的线段定位精度不高，不能有效计算端点和长度信息，以及计算复杂度较高等缺点。针对以上线特征提取方法面临的困难，Donoho引入了一种新的多尺度分析的有效工具——Beamlet变换。本文从连续Beamlet变换的基本理论入手，分析了Beamlet变换在线特征提取中的应用。线段在Beamlet分析中的地位相当于点在小波分析中的角色，小波对空间固定区域提供了局部的尺度、位置表示，而Beamlet能够提供基于二进组织的线段的局部尺度、位置和方向表示。基于Beamlet金字塔的线特征提取包括无结构、树结构、线段局域链和线段全局链算法。无结构算法中的最大Beamlet统计在从极低信噪比图像中提取线特征方面表现出很好的性能。基于复杂度惩罚能量和尺度间互抑性质的树结构算法体现了Beamlet变换在多尺度分析中的优势。线段局域链算法利用Beamlet图的连通性和方向连续性，自适应地把Beamlet链接起来对线段做更好的非二进近似。线段全局链算法利用动态规划方法来恢复全局物体中的不连续片断，在强噪声中的曲线检测方面获得了较好的效果。为了减少计算量及更适于计算机处理，本文研究了离散Beamlet变换相关算法。离散Beamlet变换的关键是快速准确地求出任意一条Beamlet基上的象素点坐标。在介绍利用传统的Bresenham画线法求象素点坐标的基础上，提出一种快速Beamlet变换的算法。对水平、竖直方向具有相同长度分量的Beamlet基，只需对其中一条使用Bresenham法，再利用二进方块内线段的对称、平行等性质很容易得出其它Beamlet基上各点的坐标，大大减少了多次使用Bresenham法造成的重复计算，将离散Beamlet变换集中在象素灰度值求和这一整数型运算上。实验证明，随着图像尺寸变大该快速算法的优势更为明显，对512×512的图像做一次Beamlet变换能节省约60％的计算时间。本文进一步分析了Donoho利用复杂度惩罚能量进行多尺度线特征提取所面临的困难，提出一种改进的最大Beamlet能量，并建立了其二尺度关系。提出一种阈值化处理的最大Beamlet能量方法，并讨论了阈值选取策略，有效避免了惩罚因子选取带来的困难。结合二尺度关系和阈值处理，以自下向上的树型修剪算法对图像提取线特征，实验证明提取结果更为清晰，并且实验方法大为简化。