论文导读：因此，在小波变换后的高频子带（对象区域具有较高的小波系数值。
关键词：视频分割，小波变换，多尺度分析
1 时域分割
传统的时域分割方法基于如下很直观的思想：对于背景静止的视频序列，通常由于对象的运动使连续帧之间的亮度发生变化，运动区域的亮度值会随对象的运动而变化，背景的亮度值则不变或变化很小。因而，亮度变化是定位时间和空间运动物体的重要线索，常用变化检测模板CDM（ChangeDetection Mask）表示。免费论文。使用连续两帧之间的差分信息，可以提取出视频序列中的运动对象。然而，噪声的干扰会使帧差图像几乎处处不为零。
2 空域分割
时域分割能够获得运动对象的大致位置，但这种方法定位不够准确，对象的边缘较模糊。如果仅使用时域分割来提取对象，还有许多问题：首先图像中残留的噪声会导致一些背景区域被误判为运动对象。其次如果对象中有大面积的亮度值相同，那么帧差图像中的运动区域会有很多空洞，即孔洞现象比较严重。因此还需与空间分割结果相结合，才能得到较精确的分割结果。本文采用了多尺度空域分割方法。
2.1 分割原理
专业摄像机拍摄的视频帧的特点是人们感兴趣的对象比不感兴趣的背景更清晰，具有更多的细节，这使得图像的高频部分具有更高的能量。因此，在小波变换后的高频子带（对象区域具有较高的小波系数值。根据这个特点，就可以将对象与背景分离开。
根据多尺度分析的思想，先将每帧图像在最粗尺度上分为若干个S×S大小的图像块（图像大小为352×288，S＝16），按照分类依据将每个图像块分为背景或对象。然后在细尺度上将每个图像块再细分为四个子块，将这些子块按算法进行再分类，随着尺度的增加，分割不断细化，直到达到所期望的程度为止。其分类依据有两个：图像块的平均亮度值及高频子带的小波系数值 。前者用于检测图像块之间的相似程度；后者是区分背景和对象的主要依据。
图像可以由以下像素集组成（大小为 ）：
 （2）
图像小波变换后的系数为： 。不失一般性，考虑图像块 ，小波变换后该图像块在LH， HL和HH 三个子带的小波系数分别为：
 （3）
和
 （4）
则图像块 的特征值 为：
 （5）
是三个高频子带所对应的图像块的小波系数之和。得到了每个图像块的特征值，就可以根据它对图像进行初始分割。令最粗的尺度为r＝0，该尺度上的图像块用集合： 表示，每个图像块的特征值用 ， 表示。使用k-均值聚类算法将分成两类，将具有较高平均v值的一类图像块归为目标类，另一类归为背景类。
1/2 1 2 下一页 尾页 |
