CSDN亲密携手阿里云重磅推出云邮箱服务HTML5群组诚募管理员，“活跃之星”活动火热进行中Canny边缘检测算法原理及其VC实现详解(一) 2011-10-20 21:39560人阅读评论(0)收藏举报图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。 本文所述内容均由编程验证而来，在实现过程中，有任何错误或者不足之处大家共同讨论（本文不讲述枯燥的理论证明和数学推导，仅仅从算法的实现以及改进上进行原理性和工程化的描述）。 1、边缘检测原理及步骤 在之前的博文中，作者从一维函数的跃变检测开始，循序渐进的对二维图像边缘检测的基本原理进行了通俗化的描述。结论是：实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来
就构成了所谓的图像边缘（图像边缘在这里是一个统称，包括了二维图像上的边缘、角点、纹理等基元图）。 在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。 2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。 3）检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。 2、Canny边缘检测算法原理
几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言 边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测
在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘 图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就
国内图书分类号：TN911.73 国际图书分类号：621.3 工学硕士学位论文 图像分割中阴影去除算法的研究 硕士研究生：王宏 导师：关宇东 副教授 申请学位级别：工学硕士 学科、专业：信息与通信工程 所在单位：电子与信息技术研究院 答辩日期：2008年7月 授予学位单位：哈尔滨工业大学
Classified Index: TN911.73 U.D.C.: 621.3 Dissertation for the Master Degree in Engineering RESEARCH ON REMOV AL ALGORITHM OF SHADOWS IN IMAGE SEGMENTATION Candidate：Wang Hong Supervisor：Associate Prof. Guan Yudong Academic Degree Applied for：Master of Engineering Specialty：Information and Communication Engineering Affiliation：School of Electronics and Information Technology Date of Defence：July, 2008 Degree-Conferring-Institution：Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文 摘要 随着计算机技术的飞速发展数字图像处理技术也得到了快速发展，人们越来越追求更高的图像效果。然而在成像过程中受到许多不可避免的因素影响，图像出现了降质现象。图像阴影就是图像一个典型的降质现象，它的存在直接影响了图像匹配的精度、模式识别的准确度以及目标提取的自动化程度，使智能视频监控系统中后续的目标跟踪、识别等工作的出错率大大增加。因此，阴影消除对于提升智能视频监控系统的工作性能很有必要。 本文针对大多数分割算法输出目标携带阴影的问题，分析了阴影形成的原理和光学属性，构造阴影形成的光照模型。从阴影相关理论出发利用数字图像处理的相关理论和信息论的有关知识，设计了三种有效的去除阴影的算法。三种算法各有其特点，各有其适合处理的图像，结合起来实现自适应去除阴影的算法。 论文在绪论中阐述了课题的背景、意义、来源以及国内外现状，明确了研究的主要目的。第一章中研究了阴影的相关理论，其是阴影去除的重要依据，根据其做了如下工作。 首先根据图像处理的直方图原理和聚类技术，提出了基于直方图和聚类技术去除阴影的算法，此方法实现了多个目标的阴影去除。利用直方图的相关知识能够确定目标的个数，目标的大概宽度、边界，阴影的方向，阴影的大致区域；结合灰度图像的聚类分析得到精确的阴影区域，实现了单个或者多个目标阴影的去除。 其次利用阴影颜色和纹理不变的光学属性，建立了基于色度畸变和局部交叉熵去除阴影的算法。在RGB彩色空间运用颜色矢量计算阴影与对应背景颜色变化的角度，即色度畸变角，通过阈值确定阴影区域。利用信息论中的交叉熵进一步区分目标与阴影。色度畸变和交叉熵的结合，能够有效地去除分割目标的阴影。 再次根据阴影区域灰度连续、平坦的特点，设计了基于多梯度分析和线扫描去除阴影的算法。梯度体现了灰度的变化，灰度变化越剧烈梯度越大，线扫描可以检测出一个像素宽度的线。梯度可以检测出灰度连续的阴影区域，线扫面可以去除连续区域面积小的非阴影区域，两者结合进而实现了去除阴影的目的。
基于canny 算子的改进边缘检测算法 摘要：本文提出了一种基于Canny 算子的改进边缘检测算法。该算法既具备传统Canny 算子信噪比高、定位精确的优点，又具备较强的去噪能力和较好的边缘检测效果。实验表明，本文算法增强了Canny 算子在噪声干扰情况下的去噪效果，提高了边缘定位的精确度，能够得到更加完整的边缘轮廓。 关键词：Canny 算子，双边滤波，边缘检测 1 引言 边缘检测技术是数字图像处理中的一项重要技术，边缘检测的主要目的就是实现对目标图像的精确定位。边缘是图像的基本特征，是图像分割的重要依据，也是纹理特征的重要信息源和形状特征分析的基础，边缘检测的效果将直接影响到图像理解和识别的性能[1]。经典的边缘检测算子，如Robert 、Prewitt 、Log 等，简单、易于实现，但对噪声敏感、抗干扰性能差，边缘不够精细[2]。相比这些算子，Canny 算子具有更好的信噪比和检测精度，在图像边缘检测领域中具有更加广泛的应用范围。 但是，实际图像中，存在着许多噪声，这时，若仍采用传统 Canny 算子进行边缘检测，会将一些噪声点误作边缘点检测，导致提取的边缘轮廓模糊、不精确，因此，我们需要对传统Canny 算子加以改进。 本文提出了一种基于Canny 算子而改进的边缘检测算法，该算法既可以较好地滤除噪声，又可以提高目标边缘的定位精度、抑制虚假边缘和去除冗余弱边缘，呈现出了一个更为清晰的天之信图像边缘检测结果，比传统Canny 算法具有更好的性能。 2 传统canny 边缘检测算法 Canny 提出了边缘检测性能优劣的3个判断准则[3]： 高信噪比准则：即输出信号的信噪比最大，以降低边缘点判断为非边缘点和非边缘点判为边缘点的概率。信噪比越大，误检率越低。 高定位精度准则：好的定位性能,即检测出的边缘点要尽可能在实际边缘的中心 单边缘相应准则：即单一边缘只有惟一响应,并且对虚假边缘响应应得到最大抑制。 2.1 传统canny 算法边缘检测步骤 1）高斯滤波 用一维高斯函数对原始图像f(x, y)进行低通滤波、噪声滤除，该高斯函数为： 22221 (,)exp 22x y G x y πδδ??+=-???? δ为高斯滤波函数的标准差，控制着平滑程度：σ较小时，滤波器定位精度高，但信噪比低；σ较大时，滤波器情况正好相反。我们要根据实际情况确定δ的大小。 2）计算梯度幅值和方向 传统的Canny 算法采用2×2邻域一阶偏导的有限差分来计算平滑后的图像的梯度幅值和方向: 22 (,)(,)(,)x y M x y G x y G x y =+
１８４２０１０，４６（７）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 基于视觉注意特征和ＳＶＭ的镜头边界检测算法 陈萍－，李秀强２，肖国强２，江健民２ ＣＨＥＮＰｉｎｇＩ，ＬＩＸｉｕ－ｑｉａｎ９２，ＸＩＡＯＧｕｏ－ｑｉａｎ９２，ＪＩＡＮＧＪｉａｎ—ｍｉｎ２ １．黄淮学院计算机科学系，河南驻马店４６３０００ ２．西南大学计算机与信息科学学院，重庆４００７１５ １．ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＨｕａｎｇｈｕａｉＵｎｉｖｅｒｓｉｔｙ，Ｚｈｕｍａｄｉａｎ，Ｈｅｎａｎ ４６３０００，Ｃｈｉｎａ ２．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ，ＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４００７１５，Ｃｈｉｎａ Ｅ－ｍａｉｌ：ｑｉａｎｇｘｉｕｌｉ＠１６３．ｔｏｍ ＣＨＥＮＰｉｎｇ．ＬＩＸｉｕ－ｑｉａｎｇ，ＸＩＡＯＧｕｏ－－ｑｉａｎｇ。ｅｔａ１．ＳｈｏｔｂｏｕｎｄａｒｙｄｅｔｅｃｔｉｏｎｕｓｉｎｇＳＶＭＯｉｌｖｉｓｕａｌａｔｔｅｎｔｉｏｎｆｅａｔｕｒｅｓ．Ｃｏｍ－ｐｕｒｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ。２０１０。４６（７）：１８４－－１８６． Ａｂｓｔｒａｃｔ：Ｓｈｏｔｂｏｕｎｄａｒｙｄｅｔｅｃｔｉｏｎｉｓｔｈｅｂａｓｉｓｏｆｖｉｄｅｏａｎａｌｙｓｉｓ。Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓ锄ａｌｇｏｒｉｔｈｍｏｆｓｈｏｔｂｏｕｎｄａｒｙｄｅｔｅｃｔｉｏｎ．ｗｈｉｃｈｅｍｐｌｏｙｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）ｔｏｃｌａｓｓｉｆｙｖｉｓｕａｌａｔｔｅｎｔｉｏｎｆｅａｔｕｒｅｓｂａｓｅｄｏｎｔｈｅｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｏｆｐｓｙｃｈｏｌｏｇｙ．ＥｘｔｅｎｓｉｖｅｅｘｐｅｒｉｍｅｎｔｓｃａｒｒｉｅｄｏｕｔｏｎＴＲＥＣＶＩＤ２００７ｄａｔａｂａｓｅｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｗｏｒｋｓｗｅｌｌｉｎｄｅｔｏｅｔｉｎｇｓｈｏｔｂｏｕｎｄａｒｙｍｅａ￥ｕｒｅｄｂｙｂｏｔｈｒｅｃａｌｌａｎｄｐｒｅｃｉｓｉｏｎ． Ｋｅｙｗｏｒｄｓ：ｓｈｏｔｂｏｕｎｄａｒｙｄｅｔｅｃｔｉｏｎ；ｖｉｓｕａｌａｔｔｅｎｔｉｏｎｆｅａｔｕｒｅ；ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ） 摘要：镜头边界检测是视频分析的基础。借鉴心理学中有关视觉注意的研究成果，提出了一种采用符合人类视觉注意的特征，并利用支持矢量机进行视频镜头边界检测的算法。通过对ＴＲＥＣＶＩＤ２００７数据库进行实验的结果表明，该算法在查全率和查准率方面都获得了较好的性能。 关键诃：镜头边界检测；视觉注意特征；支持矢量机 ＤＯＩ：１０．３７７ｓ／ｊ．ｉｓｓｎ．１００２－８３３１．２０１０．０７．０５６文章编号：１００２—８３３１（２０１０）０７－０１８４－０３文献标识码：Ａ中图分类号：ＴＰ３９１．４１ ｌ引言 镜头边界检测是进行视频内容分析的首要步骤，是视频语义、内容分析的基础。镜头是一组连续的相互关联的帧，是摄像机的一次连续拍摄，代表时间或空间上连续的一组动作。镜头边界的形成是两个镜头进行切换的结果，对于观察者来说，是视频镜头的内容发生了某种意义上的变化，即边界是由于视频内容的不连续造成的。镜头边界的类型—般可以分为突变和渐变两种。从检测的过程来看，整个过程可以归结为３个阶段：（１）特征的提取；（２）帧问差值的构造；（３）镜头变换类型的检测和分类。 在镜头边界的检测中，特征的提取，主要集中在压缩域和像素域中进行。像素域中的方法主要有：基于像素比较方法；基于像素块的比较方法；全局或局部直方图的比较；基于模型分割等。在压缩域中主要有：基于ＤＣＴ系数的分割；基于ＤＣ分量的分割；基于ＤＣＴ系数、宏块类型和运动矢量的分割等【ｌｌ。边界分类的方法，在早期主要采用固定阀值的方法，但固定阀值检测对于阀值的设定过于敏感，除非采用好的特征计算出来的不连续值对于边界和镜头内的帧间差别很大，一般采取自适应阀值。近年来，有许多学者和机构用机器学习的方法检测镜头边界。如ＡＴ＆Ｔ采用了像素域中特征，并结合有限状态机和支持矢量机进行镜头边界检测的算法ｕｌ；Ｌｅｅ等人提出利用压缩域中特征，并结合神经网络进行镜头边界检测的方法闭，用机器学习的方法进行镜头边界检测是目前的一种发展趋势。 文章提出了一种基于视觉注意特征和支持矢量机（ＳＶＭ）的镜头边界检测算法，该算法通过提取符合人类视觉注意的特征作为特征数据，同时采用支持矢量机进行镜头边界检测。该算法的实验结果与ＴＲＥＶＩＤ２００７公布的评测结果［４１进行对比后，说明该算法具有较好的性能。首先概要介绍了视觉注意特征的提取，然后分别介绍了突变和渐变的检测，最后给出了ＴＲＥＶＩＤ２００７数据集上的测试结果。 ２算法描述 ２．１特征的提取 基于视觉注意的显著区域检测对于图像分析过程有着非常重要的意义。注意是人类信息加工过程中的一项重要的心理调节机制，它能够对有限的信息加工资源进行分配，使感知具备选择能力。如果能够将这种机制引入图像分析领域，将计算资源优先分配给那些容易引起观察者注意的特征，那么必将极 基金项目：重庆市自然科学基金（ｔｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｏｎｇｑｉｎｇＣｉｔｙｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．ＣＳＴＣ一２００８ＢＢ２２５２）。 作者简介：李秀强（１９８３一），男，硕士研究生，主要研究方向：数字媒体处理；肖国强（１９６５一），男，博士后，教授，主要研究方向：信号与信息处理、无线通信；江健民（１９５６－－），男，博士，教授，主要研究方向：图形图像处理。 收稿日期：２００８－－０９—０８修回日期：２００９—０６－－２９ 万方数据
第十章基因突变 一、教学目的与要求： （1）了解基因突变的类型和性质、特征 （2）掌握基因突变分子机理和诱变因素的作用方式 （3）理解基因突变的检测方法 (4) 掌握基因突变的修复途径 二、教学重点、难点、疑点： 1.突变的概念、类型和性质 2.诱发突变的分子基础 3.诱发突变与人类癌症 4.生物体基因突变的修复机制 5.果蝇基因突变的检出 6.植物基因突变的检出 7.人类基因突变的检出 [解决方法] （1）通过出示基因结构变化的示意图，加深学生对基因突变内涵的理解。 （2）课堂教学中不断提出问题，让学生通过概念的运用达到巩固概念和知识迁移的目的。 2．教学难点及解决办法 基因突变的原因。 [解决办法] 对人类镰刀型细胞贫血症病因结合图解进行分析，使学生真正明白基因突变的原因——DNA复制过程也可能发生差错，基因中个别碱基的变化，就会造成性状改变。 3．教学疑点及解决办法 为什么说基因突变是变异的主要来源？ [解决办法]讲明基因突变与基因重组的区别，联系实际举例。 三、教学方法设计： 四、教具或教学手段：多媒体课件 五、教学过程与板书设计：
第一节基因突变的概念和特征 一、基因突变的概念及类别 1、基因突变：指在染色体上一定位点基因内部的化学变化引起的突变基因突变：指染色体上一定位点基因内部的化学变化引起的突变 2、类别 隐性突变：A a 显性突变：a A 自发突变—外界环境条件的自然作用或生物体内的生理生化变化而产生的突变 诱发突变—在专门诱变因素影响引起的突变，为“诱发突变” 形态突变型—可见突变：指造成外形改变的突变型 至死突变型—能造成个体死亡或生命力明显下降的突变型 条件突变型—在一定条件下有致死效应 3.一般特征 ①突变的频率：指生物体在每一世代中发生突变的机率，或者在一定时 间内突变可能发生的次数。 高等植物 10-5— 10-8 细菌和噬菌体 10-4—10-10范围大、突变频率比动植物高 例如：氨基酸过程中三种疾病是由三种基因突变导致酶发生变化引起的，有一定的突变频率 苯丙氨酸羟化酶缺乏导致苯丙酮尿症；尿黑尿酸氧化酶缺乏会产生尿黑酸尿症；酪氨酸酶缺乏导致白化病 苯丙氨酸羟化酶 苯丙酮酸苯丙氨酸酪氨酸 积累尿黑尿酸氧化酶 酪氨酸酶 苯丙酮尿症尿黑酸黑色素
一种基于Ｐｈｏｎｇ物体光照模型的阴影检测算法 摘要：针对目前运动目标检测算法中常将阴影误检为前景目标的问题，提出一种基于Phong物体光照模型的阴影检测算法。基于Phong物体光照模型，我们对场景中象素的亮度值进行分析，通过定义一个亮度相对变化量，推导出他在整个阴影区域是比较稳定的，所以在一个(5×5)的模板上用协方差来衡量这种稳定性，从而得到第一个阴影判决式。又推导出阴影区域亮度相对变化量随时间的变化保持相对稳定，设计一个滤波模板来增大目标区域的不稳定性，从而得到第二个阴影判决式。最后结合以上二个阴影判决式进行阴影检测，并对实验结果进行定性和定量的评估。与前人提出算法比较，本文提出的算法在阴影检测率和区分率等方面都得到了提高，具有较强的鲁棒性。 关键词：Phong光照模型;阴影检测;运动目标检测;智能监控 中图分类号：TP391 文献标识码：B 文章编号：1004373X(2008)0512404 A Shadow Detection Algorithm Based on Phong Lighting and Radiosity Model
WU Liang,ZHOU Dongxiang,LIANG Hua，CAI Xuanping (School of Electronic Science and Engineering,National University of Defense Technology,Changsha,410073,China) Abstract：Focusing on the problem that shadows cast by moving objects are detected incorrectly as foreground targets by most of the current moving objects detection algorithm,a method of shadow detection based on the Phong lighting and radiosity model is proposed.Based on the Phong model,we analyze the brightness of pixels in image sequences,the Relative Change of Brightness (RCB) in shadowed regions is proved to be more stable than moving objects regions,it is measured by the covariance of RCB of pixels on a template (5*5) so as to acquire the first discriminant.As the RCB in shadowed regions is stable in image sequences,a filter template is designed to make the RCB more unstable in regions of moving objects,so the second discriminant is presented.Shadow detection is carried out by fusing the two discriminant formulas described above,experimental results are evaluated quantitatively and qualitatively,and show that our method is robust and offers more advantage over other algorithms presented previously on
（一）成像的清晰度、分辨率和锐度 要理解MTF曲线，需要先搞明白这几个词：成像的清晰度，锐度，对比度，和分辨率。摄影里，锐度是指acutance，不是sharpness，尽管两个词翻译成英文都可以叫做锐度。Acute 是锋利的意思，比如形容刀口锋利。acutance是acute的一个名词。在摄影上，acutance特指黑白色调的边界的锋利或锐利程度，即黑白边界处的对比度。高acutance照片的黑白边界非常清晰，见下图： 因此，锐度（acutance）描述边界处影像信息过渡的快慢；高锐度导致信息的迅速过渡从而使得边界清晰可见。 相机和镜头的分辨率（resolution）描述的是对空间细节分辨的能力。如果能把相邻非常近的线条分开，我们就说这个相机或镜头的分辨率高。 对比度（contrast）是和acutance相联系的。显然，高对比度对应高acutance，低对比度对应低acutance。对比度和acutance可以互换，我们这里不区别其含义，尽管对比度有更广泛的含义，比如照片的整体对比度。 sharpness是resolution和acutance的结合。如果一幅图像即有高的分辨率（resolution） 和高的边缘锐度（acutance），那么我们说这幅图像具有高的sharpness。分辨率和边缘对比度任何一个不够高，这幅图画的sharpness都不够。所以，摄影里的sharpness指照片的整体 清晰度。考虑到这些，摄影里的sharpness可能翻译成“清晰度”更合适，而“锐度”的含义留给acutance。下边我们就这样用：清晰度＝sharpness，锐度＝acutance，分辨率＝resolution， 对比度＝contrast。（读国外的镜头测评文章，sharp和sharpness是常见到的词汇，比如说某 个镜头very sharp。这个词的含义是确定的，指该镜头的解像力非常高，成像清晰：分辨率
边缘检测原理的论述
摘要 数字图像处理技术是信息科学中近几十年来发展最为迅速的学科之一。图像边缘是图像最基本的一种特征，边缘在图像的分析中起着重要的作用。边缘作为图像的一种基本特征，在图像识别、图像分割、图像增强以及图像压缩等的领域中有较为广泛的应用，其目的就是精确定位边缘，同时更好地抑制噪声。目前，数字图像处理技术被广泛应用于航空航天、通信、医学及工业生产等领域中。图像边缘提取的手段多种多样，本文主要通过MATLAB语言编程分别用不同的算子例如Roberts算子、Prewitt算子、Sobel算子、Kirsch 算子、Laplacian算子、Log算子和Canny算子等来实现静态图像的边缘检测，并且和检测加入高斯噪声的图像进行对比。阐述了不同算子在进行图像边缘提取的特点，并在此基础上提出利用小波变换来实现静态图像的边缘检测。 【关键字】图像边缘数字图像边缘检测小波变换 背景 图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年
代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。(2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 边缘是图象最基本的特征.边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为子图象的边缘包含了用于识别的有用信息.所以边缘检测是图像分析和模式识别的主要特征提取手段。 所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间。因此它是图象分割所依赖的重要的特征,也是纹理特征的重要信息源和形状特征的基础;而图象的纹理形状特征的提取又常常依赖于图象分割。图象的边缘提取也是图象匹配的基础,因为它是位置的标志,对灰度的变化不敏感,它可作为匹配的特征点。 图象的其他特征都是由边缘和区域这些基本特征推导出来 的.边缘具有方向和幅度两个特征.沿边缘走向,像素值变化比较平缓;而垂直与边缘走向,则像素值变化比较剧烈.而这种剧烈可能呈
此文档下载后即可编辑 基因突变的检测方法 基因突变的检测方法 基因突变的研已成为当今生命科学研究的热点之一，检测方法也随之迅速发展。人类细胞癌基因的突变类型已如上所述，对于基因突变的检测，1985以前，利用Southern印迹法，可以筛选出基因的缺失、插入和移码重组等突变形式。对于用该法法不能检测的突变，只能应用复杂费时的DNA序列测定分析法。多聚酶链反应（polymerase chain reaction,PCR）技术是突变研究中的最重大进展，使基因突变检测技术有了长足的发展，目前几乎所有的基因突变检测的分子诊断技术都是建立于PCR的基础之上，并且 由PCR衍生出的新方法不断出现，目前已达二十余种，自动化 程度也愈来愈高，分析时间大大缩短，分析结果的准确性也有很大很提高。其中包括单链构象多态性（single-strand comformational polymorphism,SSCP）和异源双链分析法（heteroduplex analysis,HA）。下面分别介绍几种PCR衍生技术及经典突变检测方法，可根据 检测目的和实验室条件选择时参考。 PCR-SSCP法PCR-SSCP法是在非这性聚丙烯酰胺凝胶上，短的单链DNA和RNA分子依其大街基序列不同而形成不同构象， 一个碱基的改变将影响其构象而导致其在凝胶上的移动速度改变。其基本原理为单链DNA在中性条件下会形成二级结构，这种二级结构依赖于其碱基组成，即使一个碱基的不同，也会形成不同的二级结构而出刺同的迁移率。由于该法简单快速，因而被广泛用于未知基因突变的检测。用PCR-SSCP法检测小于200bp 的PCR产物时，突变检出率可达70％-95％，片段大于400bp时，检出率仅为50％左右，该法可能会存在1％的假阳性率。应用PCR-SSCP法应注意电泳的最佳条件，一般突变类型对检测的灵敏度无大的影响，同时该法不能测定突变的准确位点，还需通过
Canny边缘检测 图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。 本文所述内容均由编程验证而来，在实现过程中，有任何错误或者不足之处大家共同讨论（本文不讲述枯燥的理论证明和数学推导，仅仅从算法的实现以及改进上进行原理性和工程化的描述）。 1、边缘检测原理及步骤 在之前的博文中，作者从一维函数的跃变检测开始，循序渐进的对二维图像边缘检测的基本原理进行了通俗化的描述。结论是：实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘（图像边缘在这里是一个统称，包括了二维图像上的边缘、角点、纹理等基元图）。 在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。 2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。
图像与镜头质量测试规
目录 一、图像质量理论测试 (3) 1、色板区域介绍 (3) 2、解析度 (3) 3、锐度 (4) 4、色散 (5) 5、色彩还原性 (6) 6、肤色还原 (7) 7、白平衡 (7) 8、低照度 (8) 9、逆光补偿 (9) 10、灰阶、动态围、对比度 (10) 11、镜头畸变 (11) 12、暗角 (12) 13、噪点 (13) 14、散光 (15) 15、紫边 (16) 二、实际景物拍摄 (16) 16、实际静景拍摄 (16) 注： 1、对比测试时需保障码流、帧率、分辨率、光圈最大等一致性。 2、若后续需要增加测试项会持续更新。
一、图像质量理论测试 1、色板区域介绍 备注 2、解析度 用摄像机拍摄的影音信号需要在电视上播放时，需要换算成与电视画质相同的单位。而电视的画面清晰度是以水平清晰度作为单位。通俗地说，我们可以把电视上的画面以水平方向分割成很多很多“条”，分得越细，这些画面就越清楚，而水平线数的数码就越多。这个单位是“电视行（TVLine）”也称线。解析度一般与镜头、CCD、CMOS 成像有关。 解析度16:9测试样
1、根据摄像机的画面比例在白色光源下拍摄一组色板样，并使用照度计读出测试环境亮 度。 2、打开HYRes 软件，依次点击“File”-->“Trimming mode”进入测试界面。 3、点击“File”-->“Open”选择一个待测试文件。 4、使用鼠标左键选择如上图红色区域部分。 5、点击Execute 读取当前区域的解析度值并记录数据。 6、测试实例： ISO12233标板在画面中过满，画面中拍摄到的这部分标板实际高度是168mm，而这标板 的实际高度是250mm，利用HYRes软件读数为1300LW/PH，因此根据： 所以最终结果应该就是： 3、锐度 锐度，有时也叫“清晰度”，它是反映图像平面清晰度和图像边缘锐利程度的一个指标。如果将锐度调高，图像平面上的细节对比度也更高，看起来更清楚。比如，在高锐度的情况下，不但画面上人脸的皱纹、斑点更清楚，而且脸部肌肉的鼓起或凹下也可表现得栩栩如生。在另一种情况下，即垂直方向的深色或黑色线条，或黑白图像突变的地方，在较高锐度的情况下，线条或黑白图像突变的交接处，其边缘更加锐利，整体画面显得更加清楚。因此，提高锐度，实际上也就是提高了清晰度，这是人们需要的、好的一面。但是，并不是将锐度调得越高越好。如果将锐度调得过高，则会在黑线两边出现白色线条的镶边，图像看起来失真而且刺眼。这种情况如果出现在块面图像上，图像就会显得严重失真，不堪入目。
青岛大学 专业课程设计 院系: 自动化学院 专业: 电子信息工程 班级: 08级电子信息工程3班 学生姓名: 刘法 指导教师: 王汉萍庄晓东 日期: 2011年12月23日 题目：图像边缘检测方法的研究与实现 一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍 边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)． 边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。 在讨论边缘算子之前，首先给出一些术语的定义： 边缘点：图像中具有坐标] i且处在强度显著变化的位置上的点． ,[j 边缘段：对应于边缘点坐标] i及其方位 ，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．
边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。 边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。 Roberts,Sobel,Prewwit是基于一阶导数的边缘检测算子，图像的边缘检测是通过2*2或者3*3模板作为核与该图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。 Laplace边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感。Laplace算子的改进方式是先对图像进行平滑处理，然后再应用二阶导数的边缘检测算子，其代表是拉普拉斯高斯（LOG）算子。前边介绍的边缘检测算法是基于微分方法的，其依据是图像的边缘对应一阶导数的极大值点和二阶导数过零点。Canny算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足一定约束条件下推导出的边缘检测最优化算子。 1．3 边缘检测算法 对于边缘的检测常常借助于空域微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续(或突变) 的结果,这种不连续常可利用求一阶和二阶导数方便地检测到。已有的局部技术边缘检测方法,主要有一次微分(Sobel 算子、Robert s 算子等) 、二次微分(拉普拉斯算子等)。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大多数提取算法均可以取得较好的效果。但对于边缘复杂、采光不均匀的图像来说,则效果不太理想。主要表现为边缘模糊、边缘非单像素宽、弱边缘丢失和整体边缘的不连续等方面。 用算子检测图像边缘的方法是用小区域模板对图像进行处理,即采用卷积核作为掩模模板在图像中依次移动,完成图像中每个像素点同模板的卷积运算,最终输出的边缘幅度结果可以检测出图像的边缘。卷积运算是一种邻域运算。图像处理认为:某一点像素的结果不但和本像素灰度有关,而且和其邻域点值有关。运用模板在图像上依此对每一个像素进行卷积, 即模板上每一个点的值与其在图像上当前位置对应的像素点值相乘后再相加,得出的值就是该点处理后的新值。 边缘检测算法有如下四个步骤：
镜头是视频分析和检索的基础, 为了有效检测镜头边界, 并对镜头边界进行分类, 提出一种新的 镜头边界描述子: 镜头边界流形视频流可以看做一个高维空间, 镜头边界流形是隐含在该空间中的局 部结构, 它能够有效区分镜头边界和非镜头边界, 以及区分不同类型的镜头边界采用这种特征, 提出 一种后处理算法, 一方面去除预检测镜头边界的虚警, 另一方面将真正的镜头边界分类实验结果证实 了镜头边界流行的有效性以及后处理算法的优异性能 关键词镜头边界检测; 镜头边界检测后处理; 镜头边界分类; 拉普拉斯特征映射 中图法分类号TP181; T P37 随着多媒体技术的发展, 对海量的视频数据进 行索引和检索已成为一个重要的研究课题视频通 常是无结构的流, 为了方便对视频内容进行分析处 理, Rui 等人[ 1] 提出将视频流按内容进行层次划分, 从高层到低层分别为视频( video ) 、场景( scene) 、镜 头组( group) 、镜头( shot ) 和关键帧( key frame) 镜 头是指摄像机从打开到关闭的过程中记录下来的一 组连续的帧图像, 它是组成视频的基本物理单位, 视 频索引和检索就建立在镜头边界检测的基础上 由于视频后期剪辑制作不同, 镜头边界大致分 为两类: 切变( cut ) 和渐变( gradual) 渐变镜头边界 又分很多种, 主要包括淡入淡出( fade in out ) 、溶解
( dissolve) 和擦变( w ipe) 镜头边界的类型能提供更多高层语义, 比如, 一段排球比赛中, 直播镜头与回 放镜头之间的切换常常使用擦变检索回放镜头时 可以在擦变镜头中寻找, 大大缩小了检索范围因 此, 镜头边界分类对于视频分析与检索有重要价值 文献[ 23] 对多种镜头边界检测算法进行了比 较以往检测算法的要点包括两个方面: 一是特征 ( feature)及度量( met ric) ; 二是针对度量的决策算法特征用来刻画视频流中每一帧的视觉内容特性, 可 以是颜色[ 4] 、边缘[ 5] 或者压缩域上的参数[ 6] ; 度量 用来刻画视频流中帧与帧之间的特征变化, 文献[ 7] 对多种度量进行介绍并比较了它们的性能决策算 法的任务则是根据度量采取一定策略和算法检测出 镜头边界 在现有的镜头边界检测算法中, 采用的特征有 像素值( 灰度值或颜色值) 、直方图以及MPEG 压缩 域上的参数衡量帧间差异最简单的度量方法是计 算两帧基于像素点的距离, 但该方法对运动敏感, 容 易造成误检直方图描述的是图像的全局信息, 一 定程度上可以减小运动对检测的影响由于目前多 数视频采用MPEG 压缩标准, 直接在压缩域上提取 特征可以提高检测速度, 常用的压缩域特征包括DC 图[ 8] 、运动向量、预测宏块数、宏块的类型信息[ 6] 等
第３５卷第３期计算机工程２００９年２月ＶｏＬ３５Ｎｏ．３ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇＦｅｂｒｕａｒｙ２００９?多媒体技术及应用?文章编号ｔ１ｌＨ胁—弘２８１２Ｉ＇Ｉ＇９）０３一＿０“２．＿０３文献标识码：Ａ中图分类号：ＴＰ３９１视频突变检测的规范化灰度分布帧差方法 沈博超，周军 （上海交通大学电子信息与电气工程学院电子工程系，上海２００２４０） 摘要：研究视频检索中的镜头突变检测问题，分析造成镜头突变检测中出现误检的原因，提出一种鲁棒的、适用于自适应阈值突变镜头检测方法的规范化灰度分布帧差的定义。实验表明，当视频｜冬ｊ像中噪声较低时，采用规范化灰度分帧差定义，应用自适应取阈值的检测方法，对视频中镜头突变的检测有较高的准确率。 关键词：视频检索；镜头检测；规范化灰度分布帧差 ＭｅｔｈｏｄｏｆＮｏｒｍａｌｉｚｅｄＦｒａｍｅＤｉｆｆｅｒｅｎｃｅｏｆＧｒａｙＤｉｓｔｒｉｂｕｔｉｏｎ ｆｏｒＶｉｄｅｏＳｈｏｔＤｅｔｅｃｔｉｏｎ ＳＨＥＮＢｅ．ｃｈａｏ．ＺＨＯＵＪｕｎ （ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔ，ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２４０）［Ａｂｓｔｒａｃｔ！Ｔｈｉｓｐａｐｅｒｒｅｓｅａｒｃｈｅｓｔｈｅｓｈｏｔｄｅｔｅｃｔｉｏｎｏｆｔｈｅｖｉｄｅｏｉｎｄｅｘｉｎｇｐｒｏｂｌｅｍ，ａｎａｌｙｚｅｓｔｈｅｃａｕｓｅｏｆｔｈｅｅｒｒｏｒｄｅｔｅｃｔｉｏｎｓｏｆｓｈｏｔｓ，ｐｒｅｓｅｎｔｓａ ｎｅｗｒｏｂｕｓｔｍｅｔｈｏｄｂａｓｅｄｏｎｎｏｒｍａｌｉｚｅｄｆｒａｍｅｄｉｆｆｅｒｅｎｃｅｏｆ ｇｒａｙｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｓｈｏｔｄｅｔｅｃｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄ．Ｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅｔｈａｔｉｔａｃｈｉｅｖｅｓｈｉｇｈａｃｃｕｒａｃｙｆｏｒｓｈｏｔｄｅｔｅｃｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄ． ［Ｋｅｙｗｏｒｄｓｌｖｉｄｅｏｉｎｄｅｘ；ｓｈｏｔｄｅｔｅｃｔｉｏｎ；ｎｏｒｍａｌｉｚｅｄｆｌａｍｅｄｉｆｆｅｒｅｎｃｅｏｆｇｒａｙｄｉｓｔｒｉｂｕｔｉｏｎ ｌ概述 镜头分割是视频检索中的第１步，其作用是将视频流分割成一个个镜头，从而使基于内容的视频分析算法能对该视频流做进一步的分析…。镜头的转换分为突变和渐变。视频中的突变定义为前一镜头和后一镜头的直接衔接。对视频中突变的检测主要基于以下假设：反映视频中帧问变化的某一种特征值在镜头突变时存在明显的变化，在该特征值依帧序变化图上表现为明显的峰值。其中，灰度直方图帧差作为一种特征值。能够较好地表征视频中帧问图像的变化程度【２’４ｊ。对于基于灰度直方图帧差变化检测镜头突变来说，主要有固定阈值和自适应取阈值２种方法¨４Ｊ。一般情况下，对于不同视频段，能够正确检测出镜头突变的闽值是不同的，通常只能在分析整个视频后才能设定固定的闽值对突变进行检测。所以，固定阈值的检测方法的实用性不强。自适应取阅值的算法能够根据视频特征值的变化情况自适应地调整突变检测的闽值１３’４Ｊ，能在对一视频流读取的同时，对该视频流中的镜头突变进行检测。因此，自适应取阈值的方法具有较高的实用性。另一方面，灰度直方图帧差方法结合智能计算方法在镜头突变的检测中也能获得较好的结果ｐ１。但是，应用这些算法对镜头突变进行检测时，需要首先对该智能系统进行训练ｂｌ，这通常需要较大的计算量，相比自适应取阈值的方法，这些算法的实用性不强。 本文提出了一种规范化灰度分布差的特征值计算方法。通过实验表明，该方法克服了灰度直方图帧差的缺点。在镜头突变的检测中，应用该方法结合自适应取闽值的算法Ｍ１能获得更高的准确率。 ２突变检测中的误检发生 视频的突变检测中发生误检的原因主要有：视频图像的噪声较大，视频中存在镜头变焦，视频中存在高速的相机和—－２４２一 物体之间的相对运动等方面因素造成视频中取定的特征值是依帧序的较大波动引起的。 本文主要讨论在低噪声条件下的视频中突变的检测。视频中存在镜头对准某一物体的变焦时，如果变焦过程中视频图像的变化（该变化被人眼认为同属于一个连续镜头内容），使得取定的特征值有较大的波动，那么在突变的检测中就会造成误枪。 当前基于灰度直方图帧差的突变镜头检测主要采用下式进行检测”’４』，即： ２５５ Ｈｉｓｔ—Ｄｉｆｆ（ｆ）＝（∑ａｂｓ（ｈｉｓｔ（ｔ，ｆ）一ｈｉｓｔ（ｔ一１，ｆ）） ｆ＝ｍ 其中，在ｈｉ盯（ｆ，１）中，ｈｉｓｔＯ为第ｔ帧的灰度直方图的分布情况，ｈｉｓｔＯ中的“ｌ”为直方图中各灰度级；ＨｉｓｔＤｉｆｆ（ｔ）表示第ｔ帧和第ｔ—ｌ帧的灰度直方图的各个灰度级分垦的差值之和。特征值取灰度直方图帧差时，对视频中变焦片断进行突变检测。图ｌ所示的视频为一个镜头变焦的例子，共３２帧。特征值取灰度直方图帧差时，特征值取灰度直方图帧差时，特征值依帧序有较大波动。结合应用自适应取阈值的方法¨Ｉ，在２９帧处造成突变的误检，使得人眼认为同属同一镜头内容的镜头对准某一人物的变焦视频片断中，被认为存有突变。 圈１视频镜头变焦片断 作者筒介：沈博超（１９８５一），男，本科生，主研方向：视频检索技术；周军，博士 收稿日期：２００８－０６—１９ Ｅ?ｍａｉｌ：ｂｏｃｈａｏ．ｓｈｅｎ＠ｇｍａｉｌ．ｃｏｒｎ 万方数据