【正文】 anges the region examination the method is in considers the image division based on the space and time image brightness and in the gradient information independence movement region. For the noise reduction disturbance, usually all uses the neighboring two examinations to change the region. The division process has the operating parameter model and the operating parameter model method. But this article is needs to study based on the parameter model under the movement goal division main research mixes the model based on Gauss the movement goal division method. 浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 3 Key word: Movement goal division。 作 者 簽 名： 日 期： 指導(dǎo)教師簽名： 日 期： 使用授權(quán)說(shuō) 明 本人完全了解 大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（論文）的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版本；學(xué)校有權(quán)保存畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務(wù)；學(xué)校可以采用影印、縮印、數(shù)字化或其它復(fù)制手段保存論文；在不以贏利為目的前提下，學(xué)校可以公布論文的部分或全部?jī)?nèi)容。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。 Background division 基于參數(shù)模型的運(yùn)動(dòng)目標(biāo)分割方法研究 目 錄 摘 要 ................................................. Abstract ............................................... 第一章 緒論 ............................................. 6 研究背景及意義 .......................................................... 6 國(guó)內(nèi)外研究現(xiàn)狀 .......................................................... 6 高斯混合模型 ............................................................ 7 本文的研究?jī)?nèi)容 .......................................................... 8 第二章 運(yùn)動(dòng)目標(biāo)的分割技術(shù) .................................. 9 差分法 .................................................................. 9 分流法 ................................................................. 10 基于主動(dòng)輪廓線模型的方 法 ............................................... 11 基于統(tǒng)計(jì)模型的方法 ..................................................... 11 其他方法 ............................................................... 12 第三章 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)分割 ....................... 13 混合高斯模型的貝葉斯框架 ............................................... 13 框架概述 ........................................................... 13 背景模型 ........................................................... 14 混合高斯模型的算法實(shí)現(xiàn) ................................................. 15 估計(jì) P(x)中的各個(gè)參數(shù) .............................................. 15 估計(jì)當(dāng)前狀態(tài) ....................................................... 17 方法 .................................................... 19 背景分割 ........................................................... 19 EM 方法 ................................................................ 20 浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 5 第四章 分割后處理 ....................................... 22 去噪方法簡(jiǎn)介 ........................................................... 22 中值濾波及其特點(diǎn) ................................................... 22 近似中值濾波 ....................................................... 23 實(shí)驗(yàn)結(jié)果 ........................................................... 23 連通區(qū)域標(biāo)定 ........................................................... 23 具體方法 ........................................................... 24 實(shí)驗(yàn)結(jié)果 ........................................................... 26 連通區(qū)域合并 ........................................................... 26 第五章 實(shí)驗(yàn)結(jié)果與討論 .................................... 28 流程圖 ................................................................. 28 總流程圖 ........................................................... 28 分割具體流程圖 ..................................................... 28 實(shí)驗(yàn)程 序 ............................................................... 28 分割函數(shù)程序 ....................................................... 28 運(yùn)行程序 ........................................................... 33 運(yùn)行結(jié)果 ............................................................... 34 結(jié)果討論 ............................................................... 35 第六章 總結(jié)與展望 ....................................... 36 參考文獻(xiàn) ............................................. 37 致 謝 .....................................錯(cuò)誤 !未定義書簽。國(guó)際上許多圖像技術(shù)學(xué)術(shù)會(huì)議都有圖像分割主題和 分會(huì)，有關(guān)圖像分割研究的文章早己萬(wàn)計(jì)，有關(guān)圖像分割的技術(shù)和算法種類繁多且層出不窮，但是至今還沒(méi)有建立起統(tǒng)一的理論體系。后者由于不顯含 物理參數(shù) ,意義不大 。給運(yùn)動(dòng) 目標(biāo) 分割方法分類也有很多種方法，比如，有基于檢測(cè)變化的和構(gòu)建背景的，有時(shí)域的和時(shí)空域的方法，有像素級(jí)的、區(qū)域級(jí)的和幀級(jí)的方法，按用途分有用于編碼的、基于內(nèi)容可操作的，有基于模型參數(shù)的、非模型參數(shù)的，有基于形態(tài)學(xué)、非形 態(tài)學(xué)的等等 。在相減后的圖像中，灰度不發(fā)生變化的部分被減掉，這里包括大部分背景和一小部分目標(biāo)。對(duì)于灰度圖像 I(x,y)來(lái)說(shuō)，外部能量通?？杀硎緸? ? ? 2( , ) ( , )enE G x y I x y?? ? ? ? () 式中： ( , )G x y? 是方差為 ? 的二維高斯函數(shù)； ? 是梯度算子。然后估計(jì)每個(gè)高斯過(guò)程是背景過(guò)程 (即 它所代表的物理表面被作為背景，以下同 )的概率。很多早 期的論文就使用了這種方法，即把最有可能的幾個(gè)高斯作背景，其余的都不是背景。因此， 引入了一種在線的算法，就是定義一個(gè)時(shí)間軸上的學(xué)習(xí)速率，使得某一時(shí)刻的參數(shù)不僅能根據(jù)當(dāng)前的觀測(cè)進(jìn)行更新，同時(shí)能夠利用前一時(shí)刻的參數(shù)進(jìn)行時(shí)間上的積累平均。他們用簡(jiǎn)單的匹配代替了 P(k|xt， ? )的計(jì)算。但只要針對(duì)具體應(yīng)用對(duì)參數(shù)進(jìn)行適當(dāng)合理的選取，就可以控制鏤空的出現(xiàn)，而且，后處理時(shí)的中值濾波也會(huì)減小鏤空的影響。StauflrGrimson 定義了一個(gè)參數(shù) T 表示視野中看到背景的概率，根據(jù)剛才的排序，滿足下式的前面 B個(gè)模型為背景模型，剩下的模型默認(rèn)為是前景模型。這樣一來(lái)，噪聲 (明亮區(qū)的少數(shù)暗點(diǎn)或暗區(qū)的少數(shù)明亮點(diǎn)或者是最小值或者是最大值，取中間值可以直接丟棄這些值而不參加運(yùn)算 )就可以被去除，而能較好保留邊緣信息。 (如網(wǎng)格連通混沌并行處理器 )，一些并行的連通區(qū)域標(biāo)定算法也被開(kāi)發(fā)出來(lái)。 ( { , ( , ) } )( , ) 。另外，需要將離得很近的或是相交的方框合并為一個(gè)方框，具體做法如下 : 浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 27 令 (x1， y1)， (x2， y1)， (x1， y2)和 (x2， y2)分別表示一個(gè)矩形的左上、右上、左下和右下頂點(diǎn)的坐標(biāo)， (x1‘ ， y1’ )， (x2‘ ， y1’ )， (x1‘ ， y2’ )和 (x2‘ ， y2’ )分別表示另一個(gè)矩形的左上、右上、左下和右下頂點(diǎn)的坐標(biāo)。 ( ( , ) )( , ) [ ( , ) ] ( , ) 。等價(jià)表初始化如下 : T[F0]=F0,T[FB]=FB。在第一步里，給相鄰的像素賦值一個(gè)臨時(shí)的標(biāo)記，標(biāo)記的等價(jià)關(guān)系被記錄在一個(gè)一維的或二維的表里。但是在圖像邊緣輪廓包含有大量的高頻信息，而鄰域平均法實(shí)質(zhì)上是一個(gè)低通濾波器，直接使用鄰域平均法會(huì)使得邊界變模糊。從而，實(shí)際的背景分割過(guò)程首先判斷當(dāng)前觀測(cè)與哪一個(gè)高斯模型匹配 ，然后再判斷這個(gè)高斯模型是屬于背景還是前景。如果這個(gè)表面是長(zhǎng)期出現(xiàn)的，它的峰值會(huì)隨著學(xué)習(xí)過(guò)程逐漸增大，并最終成為背景。如果 X是由 K個(gè)物理表面中的一個(gè)產(chǎn)生的，那么 ()式可以很好的模擬現(xiàn)實(shí)情況。具體的 EM 算法將在下一節(jié)進(jìn)行闡述。其中，某個(gè)樣本點(diǎn)被認(rèn)為是背景的概率為 P(x， B)。 浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 13 第三章 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)分割 混合高斯模型的貝葉斯框架 框架概述 把某個(gè)點(diǎn)隨時(shí)間的變化作為一個(gè)隨機(jī)過(guò)程， 這個(gè)隨機(jī)過(guò)程可能是由幾個(gè)不同的隨機(jī)過(guò)程合成的，其中每個(gè)隨機(jī)過(guò)程都表示一個(gè)具體的物理過(guò)程 (可以理解為某一個(gè)物理表面的觀測(cè)隨時(shí)間的變化過(guò)程 )，真實(shí)世界中的很多物理過(guò)程都可以用高斯過(guò)程來(lái)模擬，因此混合高斯模型由此得名。 Kass 等人對(duì)這種模型提出了挑戰(zhàn)，于 1987 年提出了稱為 Snake 的主動(dòng)輪廓線模型。對(duì)前一種情 況可采用消除背景的方法，處理起來(lái)比較簡(jiǎn)單。 運(yùn)動(dòng) 目標(biāo) 分割是圖像分割技術(shù)在時(shí)間域上的一個(gè)分支，主要利用的是 目標(biāo) 的