【正文】 } 。 Thresh = i。 i++) { 第七章 圖像分割與邊緣檢測 int thh = i + 1。 for( i = 1。 } float MaxSigma = Sigma［ 1］ 。 } 第七章 圖像分割與邊緣檢測 else { Mean2 = 。 } else { Mean1 = 。 GrayValue2 = GrayValue2 + pTemp［ j］ 。 GrayValue1 = GrayValue1 + pTemp［ j］ 。 j nWidth。 pTemp += i * nWidthBytes。 i nHeight。 long Sum2 = 0。 long GrayValue2 = 0。 th++) { … 第七章 圖像分割與邊緣檢測 int thh = th+1。 for(int th = 0。 i 256。 float Mean1, Mean2。 // *(pOut + i) = *(pOut + i) Buffer 0 ? 0 : *(pOut + i) Buffer。 i lSize。 BYTE Buffer。 偏導數(shù)的方向為圖像位移的方向 。 因此 ， 由式 (721)表示的位移差圖像的直方圖為 ),( yxAx???????????xDHxDH AC 39。 這時就需要更進一步的考慮 。 否則 ， 必須先作幾何校正與配準 。 電影特技中應用的 “ 藍幕 ” 技術(shù) ， 其實也包含差影法的原理 。 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 。 為了減少誤診 ， 人們希望提供反映游離血管的清晰圖像 。 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 。 在利用遙感圖像進行動態(tài)監(jiān)測時 ， 用差值圖像可以發(fā)現(xiàn)森林火災 、 洪水泛濫 ， 監(jiān)測災情變化及估計損失等；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 。 第七章 圖像分割與邊緣檢測 圖 721 差影法檢測變化目標流程圖 固 定 背 景 圖 像 或 背 景 模 型 圖 像 或 前 一 幅 圖 像當 前 圖 像差 影 運 算 及 閾 值 化 處 理閾 值 化 差 影 運 算 結(jié) 果 圖 像分割、匹配、投影等 處理獲 取 目 標第七章 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 。 差值圖像提供了圖像間的差異信息 ， 能用以指導動態(tài)監(jiān)測 、 運動目標檢測和跟蹤 、 圖像背景消除及目標識別等 。 第七章 圖像分割與邊緣檢測 圖 717 投影法 第七章 圖像分割與邊緣檢測 圖 718 華盛頓紀念碑圖 第七章 圖像分割與邊緣檢測 圖 719 閾值化后的華盛頓紀念碑 第七章 圖像分割與邊緣檢測 圖 720 垂直方向投影 第七章 圖像分割與邊緣檢測 1. 圖像的代數(shù)運算是指對兩幅輸入圖像進行點對點的加 、 減 、 乘 、 除四則運算而得到輸出圖像的運算 。為了得到更好的效果 ， 投影法經(jīng)常和閾值化一起使用 。 圖 717是一幅圖像分別在水平方向和垂直方向上的投影 。 第七章 圖像分割與邊緣檢測 投影法與差影法 投影法 投影法就是把圖像在某一方向 （ 常用的是水平方向和垂直方向 ） 上進行投影 。 所以 ， 可考慮先在較大尺度下檢測出真正的邊界點 ， 再在較小尺度下對真正邊界點進行較精確的定位 。 一般認為 ， 在較大尺度下常常能較可靠地消除誤檢并檢測到真正的邊界點 ， 但在大尺度下對邊界的定位不易準確 。 第七章 圖像分割與邊緣檢測 目前 ， 常用的形狀匹配方法主要有幾何參數(shù)法（ Niblack， 1993） 、 （ Scassellati， 1994） 、 特征模表示法 （ Pentland， Picard and Sclaroff， 1996） 、 不變矩法 （ Mehtre， 1997） 、 邊界方向直方圖法 （ Jain，1996） 、 小波重要系數(shù)法 （ Jacobs， 1995） 、 小波輪廓表示法 （ 楊翔英 、 章毓晉 ， 1999） 等 。 其次 ， 目標形狀的描述是一個非常復雜的問題 ， 至今還沒有找到能與人的感覺相一致的圖像形狀的確切數(shù)學定義 。 第七章 圖像分割與邊緣檢測 形狀也是描述圖像內(nèi)容的一個重要特征 ， 形狀常與目標聯(lián)系在一起 ， 所以相對于顏色 ， 形狀特征可以看作是更高層次的圖像特征 ， 利用形狀進行匹配需要考慮三個問題 。 、 灰度模板匹配 、 灰度直方圖匹配 、 彩色模板匹配 、 顏色直方圖匹配和 X2直方圖匹配六種匹配方法進行了實驗比較 。 由于子塊的位置固定 ， 各子塊的直方圖在一定程度上反映了顏色的位置特征 ， 因此子塊劃分與匹配的方法可以對物體運動 、 攝像機運動 、 鏡頭縮放等情況有更好的適應性 。 這種方法對兩幅視頻幀或圖像的相應子塊進行比較 ， 廢棄差別最大的一對 ， 其余的比較結(jié)果參與最后的識別 。 一種改進的方法是將圖像劃分成若干子塊 ，分別對各子塊進行匹配 。 第七章 圖像分割與邊緣檢測 由于直方圖丟失了顏色的位置信息 ， 因此兩幅圖像可能內(nèi)容完全不同 ， 但直方圖相似 。 當圖像中的特征并不能取遍所有的可取值時 ， 統(tǒng)計直方圖中會出現(xiàn)一些零值 。 參考色的數(shù)量要比原圖像少 ， 這樣可計算簡化的直方圖 ， 所以匹配的特征矢量是 f=［ r1, r2…rN］ T (714) 式中： ri是第 i種顏色出現(xiàn)的頻率 ， N是參考顏色表的尺寸 。 設(shè)用 分別表示查詢圖像 Q的 R、 G、 B三個分量直方圖的 i(i≤3)階中心矩；用 圖像 D的 R、 G、 B三個分量直方圖的 i(i≤3)階中心矩 ， 則它們之間的匹配值為 iQBiQGiQR MMM ,iQBiQGiQR MMM ,? ? ?? ? ???????31313122 )()()(),(i i iiDBiQBBiDGiQGGiDRiQRR MMWMMWMMWDQd式中， WR， WG， WB為加權(quán)系數(shù)。 第七章 圖像分割與邊緣檢測 1. 直方圖相交法 設(shè) HQ(k)和 HD(k)分別為查詢圖像 Q和數(shù)據(jù)庫圖像 D的特征統(tǒng)計直方圖 ， 則兩圖像之間的匹配值 d(Q, D)為 ???????1010)()](),(m i n [),(LkQLkDQkHkHkHDQd (710) 第七章 圖像分割與邊緣檢測 2. 為減少計算量 ， 可采用直方圖的均值來粗略地表達顏色信息 ， 對圖像的 R、 G、 B三個分量 ， 匹配的特征矢量 f是 TBGRf ][ ????(711) 式中 , μR、 μG、 μB分別是 R、 G、 B三個分量直方圖的 0階距 。 實際上 ， 利用 H、 S、 I顏色空間進行檢索的效果更好一些 ， 但以下討論主要以 R、 G、 B空間為例 。 人們已經(jīng)提出了多種借助顏色特征對圖像進行檢索的方法 。 } } // return(TRUE)。 pNewTemp= pNewBits + nWidthBytes * (n+nMaxHeight) + (m+nMaxWidth)。 m nTempWidth。 n nTempHeight。 nMaxHeight = j。 //與最大相關(guān)性比較 第七章 圖像分割與邊緣檢測 if (R MaxR) { MaxR = R。 dSigmaST += (double)pixel * templatepixel。