基于平均背景法的背景提取，最简单，最基础的背景提取

最新推荐文章于 2024-04-24 17:52:49 发布
最新推荐文章于 2024-04-24 17:52:49 发布
阅读量4.1k 收藏 24
点赞数 1
分类专栏： 数字图像处理OpenCV
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AlonewaitingNew/article/details/96032842
版权

基于平均背景法的背景提取。

首先我们得明白，一幅图像中什么属于背景什么属于前景。我们简单的可以这么理解，前景一般是会动的物体，而背景一般是不会动的物体。我们可以以此为依据，从而辨别简单的前景和背景。不会动的物体，我们可以认为在一个很长的时间段内，它的像素值几乎都是保持一个数的。那么我们可以取若干张图片将其对应点的像素大小相加，然后再求均值，我们即可以认为这个是我们所需要的背景。可以用以下公式来表示：
在这里插入图片描述
那我们怎么去区分前景呢？
因为前景是运动的物体，我们可以用差分的形式去表现一个前景，也就是用当前图片的像素值减去上一张图片对应的像素值，得到的结果再累加求均值。
在这里插入图片描述
这里用的是平均差分但是并等价于标准差，但是差分计算速度更快。
代码实现：

#include<iostream>
#include<opencv.hpp>
using namespace std;
using namespace cv;

//平均背景提取法

//3通道图片 float
//IavgF 累计背景图片的均值
//IdiffF 累计绝对值帧的均值
//IprevF 当前帧的前一帧
Mat IavgF, IdiffF, IprevF, IhiF, IlowF;
Mat tmp, tmp2;//背景图

//单通道 float
vector<Mat> Igry(3);
vector<Mat> Ilow(3);
vector<Mat> Ihi(3);

Mat maskt;//掩模
float Icount;

//为所有变量申请内存，由于定义的都是全局变量，故只需要申请栈上的空间即可

void AllocationImage(const Mat &I) {
	Size sz = I.size();

	IavgF = Mat::zeros(sz, CV_32FC3);
	IdiffF = Mat::zeros(sz, CV_32FC3);
	IprevF = Mat::zeros(sz, CV_32FC3);
	IhiF = Mat::zeros(sz, CV_32FC3);
	IlowF = Mat::zeros(sz, CV_32FC3);
	Icount = 0.0000001; //最好浮点数别定义为0.0

	tmp = Mat::zeros(sz, CV_32FC3);
	tmp2= Mat::zeros(sz, CV_32FC3);
	maskt= Mat::zeros(sz, CV_32FC1);
}
//计算累计背景图片和累计绝对值帧（一种比学习图片标准差更快的方式）平均差分
void accmulateBackground(Mat&I) {
	static int first = 1;
	I.convertTo(tmp, CV_32F);
	if (!first) {
		IavgF += tmp;//累计背景图片
		absdiff(tmp, IprevF, tmp2);//计算帧间差的绝对值
		IdiffF += tmp2;//累计绝对值帧
		Icount += 1.0;//计算总共加了多少图片。

	}
	first = 0;
	IprevF = tmp;
}

至此我们只是得到了前景和背景的大概描述，但是我们怎么去真正定义前景和背景呢？
我们定义：
在这里插入图片描述
当然参数是可以根据实际情况调整的。

//我们把高于平均值的n倍平均绝对差（可以理解为累计差分的平均值，实际计算也是这么回事）理解为前景
void setHighThreshold(float high) {
	IhiF = IavgF + (IdiffF*high);
	split(IhiF, Ihi);
}
//我们把低于平均值的n倍平均绝对差（可以理解为累计差分的平均值，实际计算也是这么回事）理解为背景
void setLowThreshold(float low) {
	IlowF = IavgF - (IdiffF*low);
	split(IlowF, Ilow);
}
//为什么可以这么理解呢？我们可以这么理解，作为前景，一般是运动的物体，所以一般来说差分的结果是比较大的。

//计算每个像素的均值和偏移值（平均绝对差）
void createModelsfromStats() {
	IavgF *= 1 / Icount; //计算累计背景图片的均值
	IdiffF *= 1 / Icount;//累计绝对值帧的均值
	//为了使累计绝对值帧的均值不全为0，给每个元素都加1
	IdiffF += Scalar(1.0, 1.0, 1.0);
	setHighThreshold(7.0);
	setLowThreshold(6.0);

}

为此我们得到了前景和背景的阈值，我们用此阈值来获取前景的掩模：

//为此我们进行前景和背景的分割 之前得到的前景与背景作为判别一个图像前景和背景的阈值

void backgroundDiff(Mat & I,Mat & mask) {
	I.convertTo(tmp, CV_32F);
	split(tmp, Igry);
	//通道1
	inRange(Igry[0], Ilow[0], Ihi[0], mask);
	//2
	
	inRange(Igry[1], Ilow[1], Ihi[1], maskt);
	mask = cv::min(mask, maskt);
	//3
	inRange(Igry[2], Ilow[2], Ihi[2], maskt);
	mask = cv::min(mask, maskt);
	mask = 255 - mask;

}

获取到每个通道的掩模后，我们选择那个共有的部分。
下面就是准备测试

  1. 读取30-1000帧的图像作为训练数据
  2. 获取到前景和背景的阈值
  3. 获取掩模
  4. 用掩模去修改调整图像
int main()
{
	VideoCapture cap;
	cap.open(1);
	Mat frame;
	cap >> frame;
	AllocationImage(frame);//初始化
	//我们先利用摄像头记录30-1000帧的图像进行训练
	int i = 0;
	while (i<500)
	{
		cap >> frame;
		if (!frame.data) {
			break;
		}
		accmulateBackground(frame);
	/*	imshow("frame", frame);
		if (waitKey(1) == 27) {
			break;
		}*/
		i++;
	}
	destroyAllWindows();
	cout << "训练完毕" << endl;
	createModelsfromStats();
	Mat Mymask;
	while (true)
	{
		cap >> frame;
		if (!frame.data) {
			break;
		}
		backgroundDiff(frame, Mymask);//分离前景和背景得到掩模
		split(frame, Igry);
		Igry[0] = cv::max(Mymask, Igry[0]);
		Igry[1] = cv::max(Mymask, Igry[1]);
		Igry[2] = cv::max(Mymask, Igry[2]);
		merge(Igry, frame);
		imshow("frame", frame);
		if (waitKey(1) == 27) {
			break;
		}

	}

	
	return 0;
}

完整代码为：


//作者：dwy
//日期:2019/07/14
//用途：测试背景提取：平均背景法和码书背景提取法
#include<iostream>
#include<opencv.hpp>
using namespace std;
using namespace cv;

//平均背景提取法

//3通道图片 float
//IavgF 累计背景图片的均值
//IdiffF 累计绝对值帧的均值
//IprevF 当前帧的前一帧
Mat IavgF, IdiffF, IprevF, IhiF, IlowF;
Mat tmp, tmp2;//背景图

//单通道 float
vector<Mat> Igry(3);
vector<Mat> Ilow(3);
vector<Mat> Ihi(3);

Mat maskt;//掩模
float Icount;

//为所有变量申请内存，由于定义的都是全局变量，故只需要申请栈上的空间即可

void AllocationImage(const Mat &I) {
	Size sz = I.size();

	IavgF = Mat::zeros(sz, CV_32FC3);
	IdiffF = Mat::zeros(sz, CV_32FC3);
	IprevF = Mat::zeros(sz, CV_32FC3);
	IhiF = Mat::zeros(sz, CV_32FC3);
	IlowF = Mat::zeros(sz, CV_32FC3);
	Icount = 0.0000001; //最好浮点数别定义为0.0

	tmp = Mat::zeros(sz, CV_32FC3);
	tmp2= Mat::zeros(sz, CV_32FC3);
	maskt= Mat::zeros(sz, CV_32FC1);
}

//计算累计背景图片和累计绝对值帧（一种比学习图片标准差更快的方式）平均差分
void accmulateBackground(Mat&I) {
	static int first = 1;
	I.convertTo(tmp, CV_32F);
	if (!first) {
		IavgF += tmp;//累计背景图片
		absdiff(tmp, IprevF, tmp2);//计算帧间差的绝对值
		IdiffF += tmp2;//累计绝对值帧
		Icount += 1.0;//计算总共加了多少图片。

	}
	first = 0;
	IprevF = tmp;
}
//我们把高于平均值的n倍平均绝对差（可以理解为累计差分的平均值，实际计算也是这么回事）理解为前景
void setHighThreshold(float high) {
	IhiF = IavgF + (IdiffF*high);
	split(IhiF, Ihi);
}
//我们把低于平均值的n倍平均绝对差（可以理解为累计差分的平均值，实际计算也是这么回事）理解为背景
void setLowThreshold(float low) {
	IlowF = IavgF - (IdiffF*low);
	split(IlowF, Ilow);
}
//为什么可以这么理解呢？我们可以这么理解，作为前景，一般是运动的物体，所以一般来说差分的结果是比较大的。

//计算每个像素的均值和偏移值（平均绝对差）
void createModelsfromStats() {
	IavgF *= 1 / Icount; //计算累计背景图片的均值
	IdiffF *= 1 / Icount;//累计绝对值帧的均值
	//为了使累计绝对值帧的均值不全为0，给每个元素都加1
	IdiffF += Scalar(1.0, 1.0, 1.0);
	setHighThreshold(7.0);
	setLowThreshold(6.0);

}
//为此我们进行前景和背景的分割 之前得到的前景与背景作为判别一个图像前景和背景的阈值

void backgroundDiff(Mat & I,Mat & mask) {
	I.convertTo(tmp, CV_32F);
	split(tmp, Igry);
	//通道1
	inRange(Igry[0], Ilow[0], Ihi[0], mask);
	//2
	
	inRange(Igry[1], Ilow[1], Ihi[1], maskt);
	mask = cv::min(mask, maskt);
	//3
	inRange(Igry[2], Ilow[2], Ihi[2], maskt);
	mask = cv::min(mask, maskt);
	mask = 255 - mask;

}
int main()
{
	VideoCapture cap;
	cap.open(1);
	Mat frame;
	cap >> frame;
	AllocationImage(frame);//初始化
	//我们先利用摄像头记录30-1000帧的图像进行训练
	int i = 0;
	while (i<500)
	{
		cap >> frame;
		if (!frame.data) {
			break;
		}
		accmulateBackground(frame);
	/*	imshow("frame", frame);
		if (waitKey(1) == 27) {
			break;
		}*/
		i++;
	}
	destroyAllWindows();
	cout << "训练完毕" << endl;
	createModelsfromStats();
	Mat Mymask;
	while (true)
	{
		cap >> frame;
		if (!frame.data) {
			break;
		}
		backgroundDiff(frame, Mymask);//分离前景和背景得到掩模
		split(frame, Igry);
		Igry[0] = cv::max(Mymask, Igry[0]);
		Igry[1] = cv::max(Mymask, Igry[1]);
		Igry[2] = cv::max(Mymask, Igry[2]);
		merge(Igry, frame);
		imshow("frame", frame);
		if (waitKey(1) == 27) {
			break;
		}

	}

	
	return 0;
}

效果为：
在这里插入图片描述
这只是背景提取最基础的，当然只是给大家提供一个思路，想法，不至于看到较难的方法无从下手

邓文尧
关注
  • 1
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
OpenCV实现静止背景下运动目标的检测
奋斗斌斌的专栏
10-27 3万+
这两天从零开始学习视频流中运动目标检测的方法，有点心得体会，写点东西跟大家共享，同时提出我的几个疑问，期望能够共同讨论进步。     本文主要面向和我一样的图像处理初学者，先从原理上把整个检测过程走通，然后再逐步提高性能。     1、关于运动目标检测的方法总结     查阅了相关的文献，目前能够实现运动物体检测的方法主要有以下几种：     1）背景差分法：能完整快速地分割出运动图像
使用平均值方法提取背景的C语言代码
05-11
平均值提取背景,C语言写的，输入的YUV格式的序列，希望对大家有用
提取视频前景背景/运动目标检测
02-26
提取视频前景背景/运动目标检测 使用叠加法、背景帧差法、直方图相减三种方法 https://blog.csdn.net/zxm_jimin/article/details/87941858
计算机视觉——使用OpenCV GrabCut算法从图像中移除背景
最新发布
知来者逆的博客
04-24 2094
GrabCut算法是一种用于图像前景提取的技术，由Carsten Rother、Vladimir Kolmogorov和Andrew Blake三位来自英国剑桥微软研究院的研究人员共同开发。该技术的核心目标是在用户进行最少交互操作的情况下，自动从图像中分割出前景对象。 在GrabCut算法中，用户只需在图像上用矩形框选出包含前景对象的区域，算法随后会迭代地进行分割，直至得到最佳结果。在这个过程中，若算法错误地将某些前景区域标记为背景或反之，用户可通过在图像上绘制笔触进行修正，指导算法在下一次迭代中进行更准
OpenCV 背景消除和提取
u012841922的博客
01-13 1万+
视频来源：https://www.youtube.com/watch?v=oHFr0R6jQ6I 以下代码用OpenCV实现了视频中背景消除和提取的建模，涉及到KNN（K近邻算法）和GMM（高斯混合模型）。 // // main.cpp // opencv-learning // // Created by _R on 2019/1/9. // Copyright © 2019 _R. All rights reserved. // #include <iostream> #inclu
平均背景法
caonima20082009的专栏
08-12 8263
主要是参考《学习OPENCV》书中例程而写的：经测试通过。。。。。。 background.h头文件中主要是子函数的声明。 #include "background.h" #include "stdio.h" //float, image of 3-channel IplImage *iavgF, *idiffF, *iprevF, *ihiF, *ilowF; Ipl
平均背景法的原理
力软低代码 - 快速开发平台，助力简单开发！
06-18 1264
《Learning OpenCV》中的第9中开篇介绍了一种建立背景模型的方法——平均背景法。但书上只是简单地介绍了一下这种方法的思想，更多的原理蕴含在它给出的代码当中。 平均背景法是一种建立背景模型的方法。简单地说，就是从视频或摄像头中获取一系列的帧，然后取这些帧中的平均像素值来表征背景。然后再给这些平均像素值加上一定的阈值范围，这就构成了背景模型。在新加入的图像中，如果对应位置的像素超出了这...
opencv里平均背景法
wd1603926823的专栏
11-14 2417
#include #include #include using namespace std; using namespace cv; IplImage *IavgF, *IdiffF, *IprevF, *IhiF, *IlowF; IplImage *Iscratch, *Iscratch2; IplImage *Igray1, *Igray2, *Igray3; IplImage *Ilow
运动目标检测--改进的均值滤波算法提取画面背景
比比的博客
01-13 1043
背景模型提取 前提假设 在背景模型提取阶段，运动目标在场景区域中运动，不会长时间停留在某一位置 视频流中某一像素点只有在前景运动目标通过时，它的亮度值才发生大的变化，在一段时间内，亮度值主要集中在很小的一个区域中，可以用这个区域内的平均值作为该点的背景值。具体实现过程：在YUV颜色空间下，Y值的变化范围为0~255，将该范围划分成若干区间[0,T][T,2T]…[Nt,255],n=255/T...
opencv3/C++图像边缘提取
akadiao的博客
12-18 6798
canny算子实现使用track bar 调整canny算子参数，提取到合适的图像边缘。#include<iostream> #include<opencv2/opencv.hpp> using namespace cv;void trackBar(int, void*); int s1=0,s2=0; Mat src, dst; int main() { src = imread("E:/
OpenCV 从视频中获取背景
张天师的专栏
11-26 3427
本例是从一段视频中，获取背景，去掉前景物体。思路是，N帧叠加再取平均值，只要N足够，即可以消除前景物体。 #include #include "opencv2/opencv.hpp" #include "opencv2/nonfree/features2d.hpp" #include "opencv2/highgui.hpp" using namespace cv; usin
多种背景提取算法的Opencv3.2+Qt5.6集成
12-14
解压，运行程序，导入要检测的视频，运动目标检测结果显示。 方便选用适合自己的算法。支持的20几种算法，比如：Vibe GMM KNN KDE....
MATLAB源码集锦-基于背景差分的运动目标检测与MATLAB实现
06-19
本资源“MATLAB源码集锦-基于背景差分的运动目标检测与MATLAB实现”提供了使用MATLAB编程环境来实现这一技术的详细源代码，非常适合学习和实践。 首先，我们要理解什么是背景差分。背景差分是一种简单而有效的运动...
基于背景差分法的机动目标检测论文.doc
09-19
文章中提到使用了算术平均法来构建背景模型，这是一种简单但有效的背景更新策略，通过连续帧的像素值平均来逐渐形成稳定的背景图像。 接着，视频图像化是指将视频帧转化为便于处理的形式，这可能包括帧间差分或者帧...
三种传统背景减除法.zip_2017数学建模_均值背景建模_帧差法、均值法、混合高斯法背景减除_数学建模 2017_高斯模型
07-15
**帧差法** 是最简单的背景减除方法之一。它通过比较连续两帧之间的像素差异来检测运动物体。如果像素值在两帧之间变化较大，那么该像素被认为可能是前景的一部分。帧差法计算速度快，但对光照变化敏感，容易产生...
C++/OpenCV实现图像目标识别与分类
qq_44171096的博客
07-06 1万+
写在前面 这次分享的为一个很理想的情况下的目标识别与分类，对象为螺丝、螺帽、圆环这三个东西，其实就是图一乐呵，为什么说理想化呢？看一下本文使用的实验图片。 可以看到，图像中三个目标非常清楚，因为该图背景非常单一，这张图为在我床单上拍的。最近也还在补充图像处理相关的数学基础理论，要达到能在复杂背景下的目标检测与识别，需要学习的地方还很多。 方法流程 图像预处理，包括去噪、去除背景、阈值化 图像分割 特征提取 机器分类学习 下面根据该顺序具体介绍相关代码以及效果。 1.图像预处理 首先是去除噪声，本文使用
OpenCV视频分析背景提取与前景提取
小白学视觉
12-13 2474
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达基本思想OpenCV中支持的两种背景提取算法都是基于模型密度评估，然后在像素级对图像进行前景与背景分类的方法，它们具有...
背景提取算法——帧间差分法、背景差分法、ViBe算法、ViBe+算法
热门推荐
琦小虾的代码世界
05-22 8万+
背景提取算法——帧间差分法、背景差分法、ViBe算法、ViBe+算法： 背景提取有很多算法。针对静止摄像机的帧间差分法、高斯背景差分法、ViBe背景提取算法以及它的改进算法ViBe+，还有针对运动摄像机的光流法等。 本文针对静止摄像机的背景提取算法进行讲解，主要讲解帧间差分法、背景差分法，ViBe算法，以及ViBe+算法。
滑动平均法更新背景的matlab代码
05-23
以下是使用滑动平均法更新背景的MATLAB代码示例： ```matlab % 读取视频文件 videoFileReader = vision.VideoFileReader('example_video.avi'); % 创建背景估计器 backgroundEstimator = vision.BackgroundAdaptation(... 'NumTrainingFrames', 50, ... 'LearningRate', 0.005, ... 'MinimumBackgroundRatio', 0.7, ... 'InitialBackground', 'zeros'); % 创建显示器 videoPlayer = vision.VideoPlayer; % 处理每帧视频 while ~isDone(videoFileReader) % 读取帧 frame = step(videoFileReader); % 更新背景估计器 background = step(backgroundEstimator, frame); % 显示结果 step(videoPlayer, background); end % 清理 release(videoFileReader); release(videoPlayer); ``` 其中，`vision.BackgroundAdaptation` 是一个背景估计器对象，它使用滑动平均法对前几帧视频进行背景建模，并在后续帧中更新背景模型。`'NumTrainingFrames'` 参数指定用于训练背景模型的帧数，`'LearningRate'` 参数指定更新背景模型时使用的学习率，`'MinimumBackgroundRatio'` 参数指定背景模型中像素的最小比例，而`'InitialBackground'` 参数指定初始化背景模型时使用的值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值