【正文】 。 其實(shí) ， 直接采集的圖像品質(zhì)較好 ， 不需要這樣的處理 ， 但是對(duì)于經(jīng)過長(zhǎng)距離模擬通信方式傳送的圖像 （ 如太空航天器傳回的星際圖像 ） 這種處理是不可缺少的 。 但利用求平均法降低噪聲信號(hào) ， 提高信噪比的方法 ， 只有當(dāng)噪聲可以用同一個(gè)獨(dú)立分布的隨機(jī)模型描述時(shí)才會(huì)有效 。 第五章 圖像分割與邊緣檢測(cè) 圖像相減常用于檢測(cè)變化及運(yùn)動(dòng)物體 ， 圖像相減運(yùn)算又稱為圖像差分運(yùn)算 。 差分方法可以分為控制環(huán)境下的簡(jiǎn)單差分方法和基于背景模型的差分方法 。 在控制環(huán)境下 ， 或者在很短的時(shí)間間隔內(nèi) ， 可以認(rèn)為背景是固定不變的 ， 可以直接使用差分運(yùn)算檢測(cè)變化及運(yùn)動(dòng)的物體 。 這種方法與閾值化處理結(jié)合往往是建立機(jī)器視覺系統(tǒng)最有效的方法之一 。 在相對(duì)穩(wěn)定的環(huán)境下 ， 可以假設(shè)背景變化緩慢 ， 且符合一定的分布規(guī)律 ， 通過建立背景模型 ， 實(shí)施差分方法來檢測(cè)運(yùn)動(dòng)物體 ， 也可獲得很好的效果 。 第五章 圖像分割與邊緣檢測(cè) 乘法運(yùn)算可以用來實(shí)現(xiàn)掩模處理 ， 即屏蔽掉圖像的某些部分 。此外由于時(shí)域的卷積和相關(guān)運(yùn)算與頻域的乘積運(yùn)算對(duì)應(yīng) ， 因此乘法運(yùn)算有時(shí)也作為一種技巧來實(shí)現(xiàn)卷積或相關(guān)處理 。 除法運(yùn)算可用于校正成像設(shè)備的非線性影響 ， 在特殊形態(tài)的圖像 （ 如 CT等醫(yī)學(xué)圖像 ） 處理中用到 。 第五章 圖像分割與邊緣檢測(cè) 2. 差影法 所謂差影法 ， 實(shí)際上就是圖像的相減運(yùn)算 (又稱減影技術(shù) )， 是指把同一景物在不同時(shí)間拍攝的圖像或同一景物在不同波段的圖像相減 。 差值圖像提供了圖像間的差異信息 ， 能用以指導(dǎo)動(dòng)態(tài)監(jiān)測(cè) 、 運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤 、 圖像背景消除及目標(biāo)識(shí)別等 。其算法流程圖如圖 521所示 。 第五章 圖像分割與邊緣檢測(cè) 圖 521 差影法檢測(cè)變化目標(biāo)流程圖 固 定 背 景 圖 像 或 背 景 模 型 圖 像 或 前 一 幅 圖 像當(dāng) 前 圖 像差 影 運(yùn) 算 及 閾 值 化 處 理閾 值 化 差 影 運(yùn) 算 結(jié) 果 圖 像分 割 、 匹 配 、 投 影 等 處 理獲 取 目 標(biāo)第五章 圖像分割與邊緣檢測(cè) 差影法是非常有用的 ， 比如說可以用在監(jiān)控系統(tǒng)中 。 在銀行金庫內(nèi) ， 攝像頭每隔一小段時(shí)間拍攝一幅圖像 ， 并與上一幅圖像做差影 ， 如果圖像差別超過了預(yù)先設(shè)置的閾值 ， 說明有異常情況發(fā)生 ， 這時(shí)就應(yīng)該拉響警報(bào) 。 在利用遙感圖像進(jìn)行動(dòng)態(tài)監(jiān)測(cè)時(shí) ， 用差值圖像可以發(fā)現(xiàn)森林火災(zāi) 、 洪水泛濫 ， 監(jiān)測(cè)災(zāi)情變化及估計(jì)損失等；也能用來監(jiān)測(cè)河口 、 海岸的泥沙淤積及監(jiān)視江河 、 湖泊 、 海岸等的污染 。 利用差值圖像還能鑒別出耕地及不同的作物覆蓋情況 。 第五章 圖像分割與邊緣檢測(cè) 利用差影技術(shù)消除圖像背景也有很明顯的效果 。 例如 ， 在血管造影技術(shù)中 ， 腎動(dòng)脈造影術(shù)對(duì)診斷腎臟疾病就有獨(dú)特效果 。 為了減少誤診 ， 人們希望提供反映游離血管的清晰圖像 。 通常的腎動(dòng)脈造影在造影劑注入后 ， 雖然能夠看出腎動(dòng)脈血管的形狀及分布 ， 但由于腎臟周圍血管受到脊椎及其他組織影像的重疊 ， 難以得到理想的游離血管圖像 。 對(duì)此 ， 可攝制出腎動(dòng)脈造影前后的兩幅圖像 ， 相減后就能把脊椎及其他組織的影像去掉 ， 而僅保留血管圖像 。 類似的技術(shù)也可用于診斷印刷線路板及集成電路掩模的缺陷 。 電影特技中應(yīng)用的 “ 藍(lán)幕 ” 技術(shù) ， 其實(shí)也包含差影法的原理 。 第五章 圖像分割與邊緣檢測(cè) 圖像在作差影法運(yùn)算時(shí)必須使兩相減圖像的對(duì)應(yīng)像點(diǎn)位于空間同一目標(biāo)點(diǎn)上 。 否則 ， 必須先作幾何校正與配準(zhǔn) 。 當(dāng)將一個(gè)場(chǎng)景中系列圖像相減用來檢測(cè)運(yùn)動(dòng)或其他變化時(shí) ， 難以保證準(zhǔn)確對(duì)準(zhǔn) 。 這時(shí)就需要更進(jìn)一步的考慮 。 假定差圖像由下式給定： ),(),(),( yxxAyxAyxC ???? (520) 如果 Δx很小，那么上式可以近似為 xyxAxyxC ???? ),(),( (521) 第五章 圖像分割與邊緣檢測(cè) 注意到 本身也是一幅圖像 ， 我們將其直方圖以H′(D)表示 。 因此 ， 由式 (521)表示的位移差圖像的直方圖為 ),( yxAx???????????xDHxDH AC 39。1)((522) 由式 （ 522） 可知 ， 減去稍微有些不對(duì)準(zhǔn)的一幅圖像的復(fù)制品可得到偏導(dǎo)數(shù)圖像 。 偏導(dǎo)數(shù)的方向?yàn)閳D像位移的方向 。 第五章 圖像分割與邊緣檢測(cè) 根據(jù)以上理論，利用 VC++可以編寫出實(shí)現(xiàn)圖像加減運(yùn)算的函數(shù)， 其核心代碼如下 : //***************************************** //函數(shù)名稱： void AddBuffer() //基本功能： //參數(shù)說明： unsigned char *pOut // unsigned char *pIn // LONG lSize 圖像數(shù)據(jù)的大?。?nWidthBytes*nHeight //返回值： //注意： 此函數(shù)聲明為保護(hù)型， 只能在 CAreaPro //***************************************** 第五章 圖像分割與邊緣檢測(cè) void CAreaPro: : MinusBuffer(unsigned char *pOut, unsigned char *pIn, LONG lSize) { LONG i。 BYTE Buffer。 for(i = 0。 i lSize。 i++) { Buffer = *(pIn + i)。 // *(pOut + i) = *(pOut + i) Buffer 0 ? 0 : *(pOut + i) Buffer。 } } 第五章 圖像分割與邊緣檢測(cè) 圖 522 (a) 原始混合圖像； (b) 背景圖像； (c) 差影法處理結(jié)果 第五章 圖像分割與邊緣檢測(cè) 應(yīng) 用 實(shí) 例 下面給出用 VC++編程實(shí)現(xiàn)判別分析法確定圖像最佳分割閾值的算法 ， 其函數(shù)框架及其核心代碼如下： /用判別分析法確定閾值 (只對(duì) 8 int CPointPro:: FindThresh( CDibObject *pDibObject ) { float Sigma［ 256］ 。 float Mean1, Mean2。 for( i = 0。 i 256。 i++) Sigma［ i］ = 。 for(int th = 0。 th 256。 th++) { … 第五章 圖像分割與邊緣檢測(cè) int thh = th+1。 long GrayValue1 = 0。 long GrayValue2 = 0。 long Sum1 = 0。 long Sum2 = 0。 for(i = 0。 i nHeight。 i++) { pTemp = pBits。 pTemp += i * nWidthBytes。 // for(int j = 0。 j nWidth。 j++) { 第五章 圖像分割與邊緣檢測(cè) if( pTemp［ j］ th) { Sum1 ++。 GrayValue1 = GrayValue1 + pTemp［ j］ 。 } else { Sum2 ++。 GrayValue2 = GrayValue2 + pTemp［ j］ 。 } } } 第五章 圖像分割與邊緣檢測(cè) if( Sum1 0 ) { Mean1 = (float)GrayValue1 / (float)Sum1。 } else { Mean1 = 。 } if( Sum2 0) { Mean2 = (float)GrayValue2 / (float)Sum2。 } 第五章 圖像分割與邊緣檢測(cè) else { Mean2 = 。 } Sigma［ thh］ = (float)Sum1 * (float)Sum2 * (Mean1 Mean2) * (Mean1 Mean2)。 } float MaxSigma = Sigma［ 1］ 。 int Thresh=0。 for( i = 1。 i 255。 i++) { 第五章 圖像分割與邊緣檢測(cè) int thh = i + 1。 if(MaxSigma Sigma［ thh］ ) { MaxSigma = Sigma［ thh］ 。 Thresh = i。 } } return(Thresh)。 }