【正文】 ) 是二維數(shù)字圖像的平面坐標(biāo),圖像灰度級(jí)的取值范圍是G = {0 ,1 ,2 , ?, L 1} (習(xí)慣上0 代表最暗的像素點(diǎn),L 1 代表最亮的像素點(diǎn)) ,位于坐標(biāo)點(diǎn)( x , y) 上的像素點(diǎn)的灰度級(jí)表示為f ( x , y) 。即差分圖像的直方圖中低像素值占有較高的概率，而高像素值則有較低的概率。 軟件測(cè)試結(jié)果及分析 （a） 第100幀目標(biāo)分割結(jié)果 (b) 第200幀目標(biāo)分割結(jié)果 目標(biāo)分割結(jié)果 從以上兩幀圖像分割結(jié)果可以看出，本算法已基本將背景和運(yùn)動(dòng)目標(biāo)分割開(kāi)來(lái)，并取得較好的分割結(jié)果，完成了此次課題的要求，但圖像上還存在有一定的雜點(diǎn)，這也是基于像素點(diǎn)的圖像分割的弊端所在。2．在更新背景圖像的算法中，由于時(shí)間關(guān)系，沒(méi)有進(jìn)行軟件的實(shí)現(xiàn)，只做了算法的研究。在 的指導(dǎo)下，我逐漸學(xué)會(huì)如何開(kāi)展研究工作，并努力學(xué)習(xí)了相關(guān)專業(yè)和各領(lǐng)域的知識(shí)，極大地拓寬了自身的知識(shí)面，這將使我一生受益。在論文完成之際，我深切懷念我的父母，正是您們含辛茹苦，數(shù)十年如一日地傾注了畢生的心血，將我撫育成人。91～94,102附錄一 系統(tǒng)軟件處理流程圖賦平均像素值賦給出現(xiàn)次數(shù)最多的像素值根據(jù)多幀圖像平均求法求出各像素點(diǎn)平均值，根據(jù)統(tǒng)計(jì)直方圖法求出跟像素點(diǎn)出現(xiàn)次數(shù)最多的像素值計(jì)算出各像素點(diǎn)平均像素值與出現(xiàn)次數(shù)最多的像素值之差ff閾值k？開(kāi) 始讀取*.raw文件提取出背景圖像差分法、二值化分割出目標(biāo)完 畢 是 否附錄二 系統(tǒng)軟件處理源代碼主要程序代碼打開(kāi)按鈕響應(yīng)代碼。 /*打開(kāi)數(shù)據(jù)文件*/ CFileDialog pCFileDialog(true, NULL, NULL, 0, 視頻數(shù)據(jù)文件(*.raw)|*.raw)。 //顯示第一幀 if(Video_Field0!=NULL) delete []Video_Field0。實(shí)現(xiàn)灰度圖像播放功能、二值化處理、原圖像、背景圖像、二值化圖像顯示功能。 BITMAPFILEHEADER*m_pyBitmapFileHeader=(BITMAPFILEHEADER*)lpyHead。//為保留字，不用考慮 m_pyBitmapFileHeaderbfReserved2 = 0。//指定圖象的高度，單位是象素 m_pyBitmapInfoHeaderbiWidth = lWidth。 m_pyBitmapInfobmiHeader = *m_pyBitmapInfoHeader。 BITMAPFILEHEADER*m_pBitmapFileHeader = (BITMAPFILEHEADER*)lpHead。 /*寫(xiě)位圖信息頭信息*/ m_pBitmapInfoHeaderbiBitCount = 24。 m_pBitmapInfoHeaderbiSizeImage = Length。 m_pRGBQuad[i].rgbGreen = i。j++ ) { BYTE mid。 /*提取背景和二值化時(shí)均值濾波*/ if(background==TRUE) { WORD mid1=0。 } /*越界處理*/ if (mid255) mid=255。 /*靜態(tài)賦全黑*/ if(yuzhi) { lpHead[LFinalWidth*(lHeight1i)+j*3+1078]=0。 StretchDIBits(dc, 33, 40, lWidth, lHeight, 0, 0, lWidth, lHeight, lpyHead+1078, m_pyBitmapInfo, DIB_RGB_COLORS, SRCCOPY)。//設(shè)置定時(shí)器1 play=TRUE。 if(Video_Field0!=NULL) delete []Video_Field0。 //關(guān)掉背景提取定時(shí)器 biggest()。 show(Video_Field0)。 if(Video_Field0!=NULL) delete []Video_Field0。 KillTimer(1)。amp。j++ ) { int aver。 } } /*求各像素灰度的平均值*/ aver=(int)Video_Field5[i*lWidth+j]/400。 BITMAPINFOHEADER*lpbmiInfoHeader = (BITMAPINFOHEADER*)(lpbmi+14)。 lpbmiFile。 BYTE *lpbmi = new BYTE [sizeof(BITMAPFILEHEADER) +sizeof(BITMAPINFOHEADER)+ sizeof(RGBQUAD) * 256+Length] 。k++) { if(Video_Field1[(i*lWidth+j)*256+k]x) { x=Video_Field1[(i*lWidth+j)*256+k]。i++ ) for(int j=0。如需退出，請(qǐng)重啟軟件!)。(erzhihua==FALSE)) MessageBox(背景提取中，不能暫停!)。 (Video_Field0, Size)。 ZeroMemory(Video_Field0, Size)。(erzhihua==FALSE)) { (0L,CFile::begin )。 (Video_Field0, Size)。 delete []lpHead。 } } } } } CClientDC dc(this)。 Video_Field5[i*lWidth+j]+=(float)mid。h++) mid1+=Video_Field0[(i*lWidth*2+j)*4]。 lpHead[LFinalWidth*(lHeight1i)+j*3+1+1078]=0。i++ ) { for(int j=0。i256。 m_pBitmapInfoHeaderbiPlanes = 1。 m_pBitmapFileHeaderbfReserved1 = 0。//像素紅色分量 m_pyRGBQuad[i].rgbReserved = 0。 m_pyBitmapInfoHeaderbiYPelsPerMeter =0。 m_pyBitmapInfoHeaderbiCompression = BI_RGB。 m_pyBitmapFileHeaderbfSize = (1078 + Length)。 LONG Length = LFinalWidth*lHeight。提取視頻背景!)。//將指針移到數(shù)據(jù)區(qū)開(kāi)始 (Video_Field0, Size)。 /*當(dāng)前幀數(shù)據(jù)內(nèi)存申請(qǐng)*/ byte *Video_Field0 = new byte [Size]。348～35215. 王正勤 ，[J]．,34(23)。使我克服了諸多困難和挫折，最終較為圓滿地完成了課題研究工作和畢業(yè)論文的撰寫(xiě)。這是我這次畢業(yè)設(shè)計(jì)能夠順利進(jìn)行的最大原因，對(duì)此，我表示衷心的感謝。本文所采取的背景提取算法和目標(biāo)分割中閾值法還有如下不足的地方：1．提取靜態(tài)背景圖像是視頻研究的一個(gè)熱點(diǎn)，方法很多。考慮到噪聲的影響，為了獲得魯棒性強(qiáng)的結(jié)果，預(yù)先設(shè)定一個(gè)閾值，在每一個(gè)像素位置，如果差分結(jié)果大于該閾值，則判定為運(yùn)動(dòng)目標(biāo)，賦值255；小于該閾值則判定為背景區(qū)域賦值0。本文采用一種利用像素直方圖來(lái)動(dòng)態(tài)獲取閾值的方法。閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇,因此該方法的關(guān)鍵是如何選擇合適的閾值。噪聲的影響使得同時(shí)背景的區(qū)域相減非零，但一般情況下是接近零的一個(gè)數(shù)值，因此在算法開(kāi)始前設(shè)定一個(gè)閾值，對(duì)于相減后的差值小于閾值的點(diǎn)就可認(rèn)為是背景，大于閾值的點(diǎn)則認(rèn)為是運(yùn)動(dòng)目標(biāo)。將預(yù)處理后的圖像，進(jìn)行目標(biāo)與背景分離，也就是把車(chē)的圖像與背景分離開(kāi)來(lái)，以便于對(duì)車(chē)輛目標(biāo)的處理，提高運(yùn)算速度。當(dāng)運(yùn)動(dòng)目標(biāo)速度過(guò)快的時(shí)候，對(duì)于圖像中的近景，因?yàn)檫\(yùn)動(dòng)目標(biāo)快速通過(guò)，背景顯現(xiàn)的時(shí)間比較長(zhǎng)，因此得到的背景圖像較好；而對(duì)于圖像遠(yuǎn)景，一些運(yùn)動(dòng)目標(biāo)相連，運(yùn)動(dòng)目標(biāo)相對(duì)于近景移動(dòng)的較慢，目標(biāo)顯現(xiàn)的時(shí)間較長(zhǎng)，因此會(huì)誤把運(yùn)動(dòng)目標(biāo)當(dāng)成背景統(tǒng)計(jì)出來(lái)，得到的背景圖像失真。多幀圖像平均法是將運(yùn)動(dòng)的車(chē)輛看作為噪聲用累加平均的方法消除噪聲，利用車(chē)輛運(yùn)行一段時(shí)間的序列達(dá)式為:式中:Background(x，y)表示背景圖像，imagei(x，y)表示第i幀序列圖像在象素點(diǎn)(x，y )的亮度值，N表示平均幀數(shù)?？紤]到路面上同一點(diǎn)被相同亮度的車(chē)輛長(zhǎng)時(shí)間覆蓋的可能性很小，所形成的亮度不一樣的可能性就越大，從而可統(tǒng)計(jì)一段時(shí)間內(nèi)各個(gè)像素點(diǎn)上不同亮度出現(xiàn)的次數(shù)，其中出現(xiàn)次數(shù)最多的，即直方圖中最大值就是路面本身的亮度值。背景圖像是指視道路上沒(méi)有運(yùn)行的車(chē)輛的圖像，即使道路上有車(chē)輛運(yùn)行，背景算法也通過(guò)技術(shù)處理除去車(chē)輛而獲得沒(méi)有車(chē)輛運(yùn)行的背景圖像。均值濾波也稱為線性濾波,其采用的主要方法為鄰域平均法。因此,圖像去噪算法研究是一切圖像處理的前提,具有重要的意義。下面的四個(gè)像素為：[Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3] 存放的碼流為：Y0 U0 Y1 V1 Y2 U2 Y3 V3映射出像素點(diǎn)為：[Y0 U0 V1] [Y1 U0 V1] [Y2 U2 V3] [Y3 U2 V3]我們只需取出的亮度分量Y，根據(jù)YUV422格式因此只需讀取數(shù)據(jù)中4的倍數(shù)部分。所以我們只要忽略UV 分量，取出Y 分量 ，就可以得到像素的亮度值，從而把彩色圖像轉(zhuǎn)換為灰度圖像?；叶戎性狡椎牟糠?，表示色光亮度值越高，越偏黑的部分則表示亮度值越低?！　‘?dāng)biBitCount = 8時(shí)，1個(gè)像素占1個(gè)字節(jié)?！　☆伾碇蠷GBQUAD結(jié)構(gòu)數(shù)據(jù)的個(gè)數(shù)有biBitCount來(lái)確定:　　當(dāng)biBitCount = 1，4，8時(shí)，分別有2，16，256個(gè)表項(xiàng)。// 位圖實(shí)際使用的顏色表中的顏色數(shù)(4649字節(jié))　　DWORD biClrImportant。 // 位圖的寬度，以像素為單位(1821字節(jié))　　LONG biHeight。 // 位圖文件的類(lèi)型，必須為BMP ( 01字節(jié))　　DWORD bfSize。而對(duì)于16位以下的位圖，由于其位圖像素?cái)?shù)據(jù)中記錄的只是調(diào)色板索引值，因而需要根據(jù)這個(gè)索引到調(diào)色板中去取得相應(yīng)的RGB(A)顏色。所以，目前BMP在單機(jī)上比較流行。由于數(shù)碼相機(jī)拍下的圖像文件很大，儲(chǔ)存容量卻有限，因此圖像通常都會(huì)經(jīng)過(guò)壓縮再儲(chǔ)存。本課題所處理的是YUV422格式的raw數(shù)據(jù)，單幀大小為1440*576；所運(yùn)用的開(kāi)發(fā)環(huán)境為VC++。 本論文的內(nèi)容安排按照論文各章的次序，本文的研究?jī)?nèi)容包括：第一章提出了課題的研究背景，說(shuō)明在復(fù)雜背景下進(jìn)行運(yùn)動(dòng)目標(biāo)分割現(xiàn)實(shí)性和重要性；然后綜述了與本課題相關(guān)技術(shù)的研究現(xiàn)狀。至今己提出了上千種各種類(lèi)型的分割算法，而且近年來(lái)每年都有大量研究報(bào)道發(fā)表。利用圖像中灰度變化最強(qiáng)烈的區(qū)域信息邊緣。盡管研究人員提出了許多分割方法,但是到目前為止還不存在一種通用的方法,也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn),因此被認(rèn)為是計(jì)算機(jī)視覺(jué)中的一個(gè)瓶頸。近年來(lái)，圖像分割在對(duì)圖像的編碼中也起到越來(lái)越重要的作用，例如國(guó)際標(biāo)準(zhǔn)MPEGIV中的模型基/目標(biāo)基編碼等都需要基于分割的結(jié)果。所有這些因素都導(dǎo)致了圖像分割問(wèn)題是一種信息不足的不適定性問(wèn)題，從而不可能存在一種通用的對(duì)任何圖像都適用的、統(tǒng)一的圖像分割方法。隨著對(duì)景物成像原理研究的深入，人們逐漸意識(shí)到一些影響成像的因素，這些因素包括:在將三維景物投影為二維圖像的過(guò)程中，丟失了深度和不可見(jiàn)部分的信息，并且任一物體在不同的視角下形成的圖像會(huì)有很大的不同，再加上復(fù)雜場(chǎng)景中物體間的相互遮擋而丟失了部分信息:此外，對(duì)成像過(guò)程有影響的諸多因素(如光源、物體表面幾何形狀和物理特性)、成像設(shè)備與物體之間的空間特性、成像過(guò)程中或多或少地引入的一些畸變和噪聲等。在面向?qū)ο蟮膱D像壓縮和基于內(nèi)容的圖像數(shù)據(jù)庫(kù)查詢中，將圖像分割成不同的對(duì)象區(qū)域。計(jì)算機(jī)視覺(jué)中的圖像理解包括目標(biāo)檢測(cè)、特征提取和目標(biāo)識(shí)別等,都依賴于圖像分割的質(zhì)量。(3)邊緣檢測(cè)方法。從興起到現(xiàn)在，圖像分割算法得到了不斷的改進(jìn)和創(chuàng)新，在不同的領(lǐng)域也取得了相當(dāng)?shù)倪M(jìn)展與成就。對(duì)圖像分割的深入研究不僅會(huì)不斷完善對(duì)自身問(wèn)題的解決，而且必將推動(dòng)模式識(shí)別、計(jì)算機(jī)視覺(jué)、人工智能等計(jì)算機(jī)科學(xué)分支的發(fā)展。圖像分割的質(zhì)量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域描述以及圖像的分析和理解,是圖像處理、分析、理解中一個(gè)舉足輕重的技術(shù)環(huán)節(jié)。第三章 *.raw數(shù)據(jù)的讀取 數(shù)字圖像的相關(guān)知識(shí) 圖片文件格式圖像格式即圖像文件存放的格式，通常有JPEG、TIFF、RAW、BMP、GIF、PNG等。這種格式的特點(diǎn)是包含的圖像信息較豐富，幾乎不進(jìn)行壓縮，但由此導(dǎo)致了它與生俱生來(lái)的缺點(diǎn)占用磁盤(pán)空間過(guò)大。顏色表（簡(jiǎn)稱色表）一般是針對(duì)16位一下的圖像而設(shè)置的，對(duì)于16位和16位以上的圖像