主权项 |
一种基于熵值的运动目标检测方法,其特征是,包括以下步骤:(1)读入场景图像数据,对场景图像数据进行灰度化处理:对于一个三分量为R、G、B的彩色图像像素,该点的亮度I按以下公式计算:I=0.3B+0.59G+0.11R (1)按照公式(1)将彩色的场景图像转换成灰度的场景图像;(2)标定场景中的监控区域,监控区域为覆盖在输电线路周围的1个以上矩形区域:(3)对于已标定的各监控区域,分别对其相邻两帧场景图像的灰度图像,依下式做差分运算:D<sub>k</sub>(x,y)=|f<sub>k+1</sub>(x,y)‑f<sub>k</sub>(x,y)| (2)式(2)中,f<sub>k+1</sub>(x,y),f<sub>k</sub>(x,y)分别表示第k+1、k帧图像,D<sub>k</sub>(x,y)表示差分运算后的图像;(4)针对上述差分运算结果D<sub>k</sub>(x,y),基于其熵值确定图像分割的最佳阈值:设定一幅M行N列的灰度图像f(x,y),f(x,y)表示图像中坐标(x,y)处的像素点的灰度值,灰度级为L(1<L≤256),其中f(x,y)的取值范围为[0,L‑1],即:C<sub>L</sub>={0,1,...,L‑1};设f<sub>i</sub>为图像f(x,y)中灰度级i出现的频数,那么i出现的概率为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>P</mi><mi>i</mi></msub><mo>=</mo><mfrac><msub><mi>f</mi><mi>i</mi></msub><mrow><mi>M</mi><mo>×</mo><mi>N</mi></mrow></mfrac><mo>,</mo><mi>i</mi><mo>∈</mo><msub><mi>C</mi><mi>L</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000011.GIF" wi="1659" he="130" /></maths>假设存在阈值t将图像分割为前景O和背景B,前景O:{f(x,y)≤t},背景B:{t<f(x,y)<L},归一化变换得到前景和背景的分布:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mi>F</mi><mi>o</mi></msub><mo>=</mo><mo>{</mo><mfrac><msub><mi>p</mi><mn>0</mn></msub><mrow><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>,</mo><mfrac><msub><mi>p</mi><mn>1</mn></msub><mrow><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><mfrac><msub><mi>p</mi><mi>t</mi></msub><mrow><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>}</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000012.GIF" wi="1669" he="127" /></maths><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msub><mi>F</mi><mi>B</mi></msub><mo>=</mo><mo>{</mo><mfrac><msub><mi>p</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub><mrow><mn>1</mn><mo>-</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>,</mo><mfrac><msub><mi>p</mi><mrow><mi>t</mi><mo>+</mo><mn>2</mn></mrow></msub><mrow><mn>1</mn><mo>-</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><mfrac><msub><mi>p</mi><mrow><mi>L</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mn>1</mn><mo>-</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac><mo>}</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000013.GIF" wi="1664" he="127" /></maths>其中<img file="FDA0000490642240000014.GIF" wi="286" he="138" />表示灰度级0到t‑1的概率之和;根据图像熵的定义:<img file="FDA0000490642240000015.GIF" wi="411" he="116" />得到前景O和背景B的熵分别为:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msub><mi>E</mi><mi>o</mi></msub><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mi>t</mi></munderover><mo>[</mo><msub><mi>p</mi><mi>i</mi></msub><mo>/</mo><mi>p</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>]</mo><mo>×</mo><mi>ln</mi><mo>[</mo><msub><mi>p</mi><mi>i</mi></msub><mo>/</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000016.GIF" wi="1680" he="138" /></maths><maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><msub><mi>E</mi><mi>B</mi></msub><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mi>t</mi><mo>+</mo><mn>1</mn></mrow><mrow><mi>L</mi><mo>-</mo><mn>1</mn></mrow></munderover><mo>{</mo><msub><mi>p</mi><mi>i</mi></msub><mo>/</mo><mo>[</mo><mn>1</mn><mo>-</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>]</mo><mo>}</mo><mo>×</mo><mi>ln</mi><mo>{</mo><msub><mi>p</mi><mi>i</mi></msub><mo>/</mo><mn>1</mn><mo>-</mo><mo>[</mo><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>]</mo><mo>}</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000021.GIF" wi="1675" he="174" /></maths>两部分信息熵之和为:E=E<sub>o</sub>+E<sub>B</sub>=ln{P(t)×[1‑P(t)}‑H(t)/P(t)‑H'(t)/[1‑P(t)] (8)其中:<maths num="0006" id="cmaths0006"><math><![CDATA[<mrow><mi>P</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mi>t</mi></munderover><msub><mi>p</mi><mi>i</mi></msub><mo>,</mo><mi>H</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mi>t</mi></munderover><msub><mi>p</mi><mi>i</mi></msub><mi>ln</mi><mrow><mo>(</mo><msub><mi>p</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000022.GIF" wi="690" he="129" /></maths><maths num="0007" id="cmaths0007"><math><![CDATA[<mrow><msup><mi>H</mi><mo>′</mo></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mi>t</mi><mo>+</mo><mn>1</mn></mrow><mrow><mi>L</mi><mo>-</mo><mn>1</mn></mrow></munderover><msub><mi>p</mi><mi>i</mi></msub><mi>ln</mi><mrow><mo>(</mo><msub><mi>p</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000023.GIF" wi="446" he="141" /></maths>图像的最佳分割阈值为:<maths num="0008" id="cmaths0008"><math><![CDATA[<mrow><mi>Th</mi><mo>=</mo><mi>Arg</mi><munder><mi>max</mi><mrow><mi>t</mi><mo>∈</mo><msub><mi>C</mi><mi>L</mi></msub></mrow></munder><mrow><mo>(</mo><mi>E</mi><mo>)</mo></mrow><mo>=</mo><mi>Arg</mi><munder><mi>max</mi><mrow><mi>t</mi><mo>∈</mo><msub><mi>C</mi><mi>L</mi></msub></mrow></munder><mrow><mo>(</mo><msub><mi>E</mi><mi>O</mi></msub><mo>+</mo><msub><mi>E</mi><mi>B</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000490642240000024.GIF" wi="1665" he="98" /></maths>即求灰度级i使得式(9)最大,那么该灰度级即为图像分割的最佳阈值;(5)对经上述最佳阈值进行分割后的图像进行形态学滤波,利用开运算消除图像噪声,利用闭运算填补图像空洞;(6)对形态学滤波后的图像进行连通区域检测,并对检测到的各连通区域进行标记;(7)计算步骤(6)中检测到的各个连通区域的面积,取面积最大的连通区域标记为运动目标;(8)输出运动目标。 |