高斯混合模型/前景分割算法

高斯混合模型/前景分割算法

环境 Ubuntu16.04 + OpenCV3.0 + Python2.7,环境配置可参考www.pyimagesearch.com

前言:

背景减法是许多基于视觉的应用程序中的主要预处理步骤。
OpenCV已经实现了三个非常容易使用的算法。

效果图展示:

  • 不做移动的画面
    这里写图片描述

  • 稍微移动的画面
    这里写图片描述

  • 较大幅度动作
    这里写图片描述

代码部分

实现仅仅导入opencv的预设算法

# -*- coding:utf-8 -*-
# about background subtractor

import cv2
import numpy as np 

cap = cv2.VideoCapture(0)

# background subtractor
fgbg1 = cv2.createBackgroundSubtractorKNN()
fgbg2 = cv2.createBackgroundSubtractorMOG2()

while(1):
    ret, frame = cap.read()
    fgmask = fgbg2.apply(frame)
    cv2.imshow('frame', fgmask)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
高斯混合模型是一种常用的图像分割方法,可以用于分离前景和背景。该模型假设图像中的每个像素由多个高斯分布组成,其中前景和背景各自由一组高斯分布表示。通过对图像进行训练,可以得到每个像素属于前景和背景的概率,从而实现分割。 具体分割过程如下: 1. 初始化模型参数。首先,需要确定高斯分布的个数,以及每个高斯分布的均值、方差和权重。通常可以通过K-Means聚类算法得到初始化参数。 2. 对图像进行训练。对于每个像素,计算它属于前景和背景的概率。具体地,对于一个像素x,它的前景概率可以表示为: P(x|前景) = Σi w_i N(x|μ_i,Σ_i) 其中,w_i表示第i个高斯分布的权重,μ_i和Σ_i分别表示第i个高斯分布的均值和方差,N(x|μ_i,Σ_i)表示以μ_i为均值,Σ_i为方差的高斯分布在x处的取值。 背景概率同理可得: P(x|背景) = Σi w_i' N(x|μ_i',Σ_i') 其中,w_i'、μ_i'和Σ_i'表示背景高斯分布的权重、均值和方差。 3. 根据概率进行分类。对于每个像素,比较它属于前景和背景的概率,将概率较大的作为该像素的分类结果。 4. 更新模型参数。根据分类结果,更新每个高斯分布的参数,使得分类结果更加准确。 5. 重复步骤2-4,直到模型收敛。 最终,通过高斯混合模型,可以得到每个像素属于前景和背景的概率,从而实现图像分割

“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
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

打赏作者

奥特曼不秃头

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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