- 博客(6)
- 收藏
- 关注
RSS订阅原创 四象特征向量
这个代码通过逐帧读取视频，计算相邻帧之间的帧间差分，将差分结果分成三个颜色通道和一个Motion Feature Map，然后计算四象特征向量q(x,y,t)，其中q(x,y,t)的每个元素由m(x,y,t)和不同颜色通道的帧间差分结果f1(x,y,t)、f2(x,y,t)、f3(x,y,t)以及一个常数f4(x,y,t)组成。# 将差分结果分成三个颜色通道。# 判断是否读取到视频末尾。# 计算四象特征向量。# 初始化四象特征向量。# 显示四象特征向量。
2023-03-26 16:26:28
141
原创 Motion Feature Map
这个代码与前面的代码基本相同，不同的地方在于，对MC矩阵取反，然后使用`cv2.applyColorMap()`函数将MC矩阵转换为彩色图像，最终生成一个Motion Feature Map。该特征图中，白色表示静止的区域，而其他颜色表示在视频中运动的区域，颜色越深表示该像素在整个视频中的运动越频繁。# 生成Motion Feature Map。# 显示Motion Feature Map。# 判断是否读取到视频末尾。# 将差分结果二值化。
2023-03-26 16:25:02
135
原创 QDCT应用
这个代码首先读取四象特征向量q(x, y, t)，然后计算QDCT系数，并根据QDCT系数计算频率特征图Q(u, v, t)。接着，通过符号函数提取变换区域的显著区域，并对频率特征图Q(u, v, t)进行逆变换，将逆变换后的频率特征图转换回空间域。最后，对结果进行高斯滤波，并使用S(x, y, t)得到最终重建的目标检测结果。# 使用S(x, y, t)得到最终重建的目标检测结果。# 对频率特征图Q(u, v, t)进行逆变换。# 计算频率特征图Q(u, v, t)# 提取变换区域的显著区域。
2023-03-26 16:23:33
296
原创 QDCT python算法
最后，我们通过将逐点的乘积应用于滤波后的结果和原始结果，使用np.abs返回一个全正的结果，并且得到最终重建的目标检测结果。在本文中，我们将介绍如何将QDCT应用于4维信号q（x，y，t），并给出Q（u，v，t）的Python代码。I Q D C T是一种广泛应用于图像和视频处理的变换方法，可以将时域上的信号转换为频域上的信号，并提取出频域上的特征。现在，我们可以很容易地使用上述Python代码来计算给定4维信号q（x，y，t）的频率特征图Q（u，v，t）。首先，我们定义一个函数来计算IQDCT。
2023-03-23 21:27:49
928
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人