连续消除算法-SEA(Successive Elimination Algorithm)

Abstract

该块匹配算法(block matching algorithm BMA)用于运动估计。核心思想就是通过连续不断的消除搜索窗口中的块位置,降低计算量,同时获得较为准确的运动向量,准确度极其接近全搜索算法。它不同于其他递增型的搜索算法,也就是从一点出发,搜索周边块,该性质会导致其陷入局部最优。


Principles of the Algorithm

块匹配算法(BMA)的目的就是在参考帧的搜索窗口中找到一个与当前块的最佳匹配。接下来会讲一个不等关系式,用于限制在搜索窗口中搜索过程,但仍然保留了运动向量的最佳选项。

假设一个像素块,其尺寸为N x N,搜索窗口的尺寸为 (2M + 1) x (2M + 1)。f(i, j, t) 代表像素帧 t 中坐标为 (i, j) 的像素值。平均绝对差 (Mean absolute difference MAD) 用于衡量两个块之间的匹配程度。假设参考帧为 t - 1。我们能得到一个基本的不等式:

(1) ∣ ∣ f ( i , j , t ) ∣ − ∣ f ( i − x , j − y , t − 1 ) ∣ ∣ ≤ ∣ f ( i , j , t ) − f ( i − x , j − y , t − 1 ) ∣ . ||f(i, j, t)| - |f(i - x, j - y, t - 1)|| \leq |f(i, j, t) - f(i - x, j - y, t - 1)|. \tag{1} f(i,j,t)f(ix,jy,t1)f(i,j,t)f(ix,jy,t1).(1)

该不等式与以下两个不等式等效:

(2) ∣ f ( i , j , t ) ∣ − ∣ f ( i − x , j − y , t − 1 ) ∣ ≤ ∣ f ( i , j , t ) − f ( i − x , j − y , t − 1 ) ∣ . |f(i, j, t)| - |f(i - x, j - y, t - 1)| \leq |f(i, j, t) - f(i - x, j - y, t - 1)|.\tag{2} f(i,j,t)f(ix,jy,t1)f(i,j,t)f(ix,jy,t1).(2)

(3) ∣ f ( i − x , j − y , t − 1 ) ∣ − ∣ f ( i , j , t ) ∣ ≤ ∣ f ( i , j , t ) − f ( i − x , j − y , t − 1 ) ∣ . |f(i - x, j - y, t - 1)| - |f(i, j, t)| \leq |f(i, j, t) - f(i - x, j - y, t - 1)|. \tag{3} f(ix,jy,t1)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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