【正文】 y)， 則四種圖像代數(shù)運(yùn)算的表達(dá)式如下： C(x, y)＝ A(x, y)＋ B(x, y) C(x, y)＝ A(x, y)－ B(x, y) C(x, y)＝ A(x, y) B(x, y) C(x, y)＝ A(x, y)／ B(x, y) 第七章 圖像分割與邊緣檢測 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)動態(tài)監(jiān)測 、 運(yùn)動目標(biāo)檢測和跟蹤 、 圖像背景消除及目標(biāo)識別等 。其算法流程圖如圖 721所示 。 第七章 圖像分割與邊緣檢測 圖 721 差影法檢測變化目標(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)第七章 圖像分割與邊緣檢測 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 ， 這時就應(yīng)該拉響警報 。 在利用遙感圖像進(jìn)行動態(tài)監(jiān)測時 ， 用差值圖像可以發(fā)現(xiàn)森林火災(zāi) 、 洪水泛濫 ， 監(jiān)測災(zāi)情變化及估計(jì)損失等；也能用來監(jiān)測河口 、 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 。 第七章 圖像分割與邊緣檢測 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 ， 腎動脈造影術(shù)對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 。 通常的腎動脈造影在造影劑注入后 ， 雖然能夠看出腎動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 。 對此 ， 可攝制出腎動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 。 第七章 圖像分割與邊緣檢測 圖像在作差影法運(yùn)算時必須使兩相減圖像的對應(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)將一個場景中系列圖像相減用來檢測運(yùn)動或其他變化時 ， 難以保證準(zhǔn)確對準(zhǔn) 。 這時就需要更進(jìn)一步的考慮 。 假定差圖像由下式給定： ),(),(),( yxxAyxAyxC ???? (720) 如果 Δx很小，那么上式可以近似為 xyxAxyxC ???? ),(),( (721) 第七章 圖像分割與邊緣檢測 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 (721)表示的位移差圖像的直方圖為 ),( yxAx???????????xDHxDH AC 39。1)((722) 由式 （ 722） 可知 ， 減去稍微有些不對準(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 。 第七章 圖像分割與邊緣檢測 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 //***************************************** 第七章 圖像分割與邊緣檢測 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。 } } 第七章 圖像分割與邊緣檢測 圖 722 (a) 原始混合圖像； (b) 背景圖像； (c) 差影法處理結(jié)果 第七章 圖像分割與邊緣檢測 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 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++) { … 第七章 圖像分割與邊緣檢測 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++) { 第七章 圖像分割與邊緣檢測 if( pTemp［ j］ th) { Sum1 ++。 GrayValue1 = GrayValue1 + pTemp［ j］ 。 } else { Sum2 ++。 GrayValue2 = GrayValue2 + pTemp［ j］ 。 } } } 第七章 圖像分割與邊緣檢測 if( Sum1 0 ) { Mean1 = (float)GrayValue1 / (float)Sum1。 } else { Mean1 = 。 } if( Sum2 0) { Mean2 = (float)GrayValue2 / (float)Sum2。 } 第七章 圖像分割與邊緣檢測 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++) { 第七章 圖像分割與邊緣檢測 int thh = i + 1。 if(MaxSigma Sigma［ thh］ ) { MaxSigma = Sigma［ thh］ 。 Thresh = i。 } } return(Thresh)。 }