[CV] 快速计算灰度图 bounding box 内部的方差

最新推荐文章于 2024-03-19 01:11:00 发布

lih627

最新推荐文章于 2024-03-19 01:11:00 发布

阅读量662

点赞数

分类专栏：算法 Python 统计学习方法文章标签： python 计算机视觉 haar-like算法

本文链接：https://blog.csdn.net/Hoooo_233/article/details/108226921

版权

本文介绍了如何快速计算灰度图像中bounding box内部的像素均值和方差，通过利用Haar特征降低时间复杂度。首先回顾Haar特征用于计算区域像素之和，然后提出通过构建积分图来高效计算方差，以此优化大量bounding box的情况。

摘要由CSDN通过智能技术生成

[CV] 快速计算灰度图 bounding box 内部的方差

简介

给定一张灰度图和一系列 bounding boxes，每个bounding box(bbox) 通过 [left, top, right, down] 编码，计算每个 bbox 内部像素的均值和方差。

直观的思路是对每个bbox计算均值然后计算方差，每一个的时间复杂度为 $O(k\cdot w\cdot h)$ 其中 $k$ 是一个常量。当 bbox 很多的时候，时间复杂度过高。计算方差肯定绕不过均值，先思考如何快速计算均值。

Haar 特征

本科的时候学过 VJ-Detector，具体原理已经忘掉了，但记得有一个haar可以快速计算区域内像素质和。思路类似二维前缀和。

-------------------y
|
|    A-------B
|    |       |
|    |       |
|.   C-------D
|
x

如图，我们定义:

$\sum_{i = 0}^{x}\sum_{j = 0}^{y}I(i, j)$

那么图中A, B, C, D构成的面积可以表达为

sum_ = haar[Dx][Dy] - haar[Bx - 1][By] - haar[Cx][Cy - 1] - haar[Ax - 1][Ay - 1]

同时像素的个数可以被表达为

area = (D_x - A_x + 1) * (D_y - D_y + 1)

这样构造好了haar以后，能够很快的计算出均值，代码如下，没有经过测试，但是原理是没有问题的:

def mean_(img, bboxes):
    # bboxes 为bbox 构成的列表，bbox通过[left top right down] 编码
    if len(img) == 0:
        return None
    row, col = len(img), len(img[0])
    haar = [img[i][:] for i in range(row)]
    # 构造积分图
    for i in range(row):
        for j in range(col):
            if i == 0:
                haar[i][j] += haar[i