复杂光流场运动分析与特征提取
运动目标检测光流法
运动目标检测光流法一、引言在计算机视觉领域中，运动目标检测是一个重要研究方向，其目的在于从视频序列中分离出运动的目标。
光流法作为其中的一种方法，通过估计像素点的运动矢量来检测运动目标。
本文将详细介绍光流法在运动目标检测中的应用。
二、光流法的基本原理光流法是一种基于像素点运动估计的方法，其基本原理是通过计算图像序列中每个像素点的运动矢量，从而得到运动目标的信息。
光流场是光流法在图像上的表现形式，它反映了图像中每个像素点的运动状态。
光流场的计算可以通过多种方法实现，如基于梯度的方法、基于匹配的方法等。
三、光流法在运动目标检测中的应用在运动目标检测中，光流法的主要应用包括以下几个方面：运动目标的分割：通过计算光流场，可以将运动目标与背景进行分割。
由于运动目标与背景的光流矢量存在差异，因此可以通过设定阈值将运动目标从背景中分离出来。
运动目标的跟踪：利用光流场可以实现对运动目标的跟踪。
通过计算连续帧之间光流矢量的变化，可以估计出运动目标的运动轨迹，从而实现目标的跟踪。
运动目标的识别：通过对光流场的分析，可以提取出运动目标的特征信息，如形状、大小、速度等。
这些特征信息可以用于运动目标的识别，如行人、车辆等。
四、光流法的优缺点分析光流法在运动目标检测中具有以下优点：可以处理复杂背景下的运动目标检测问题；可以实现对运动目标的精确分割和跟踪；可以提取出丰富的运动目标特征信息。
然而，光流法也存在一些缺点：对光照变化敏感：当光照条件发生变化时，光流场的计算结果可能会受到影响，从而导致检测精度的下降；计算复杂度高：光流场的计算涉及到大量的数学运算，因此其计算复杂度较高，难以实现实时处理；对噪声敏感：当图像中存在噪声时，光流场的计算结果可能会受到影响，从而导致检测精度的下降。
为了克服这些缺点，研究者们提出了许多改进方法，如基于深度学习的方法、基于滤波的方法等。
五、结论与展望光流法作为一种基于像素点运动估计的方法，在运动目标检测中具有广泛的应用前景。
光流法的作用
光流法的作用1. 什么是光流法光流法（Optical Flow）是计算机视觉领域中一种重要的运动估计方法，用于分析图像序列中的物体运动。
它通过分析相邻帧之间的像素强度变化来估计每个像素点在图像上的运动方向和速度。
在实际应用中，光流法可以用于目标跟踪、视觉里程计、三维重建和视频压缩等领域。
它对于理解和分析视频序列中的运动行为具有重要意义。
2. 光流法原理光流法基于一个假设：相邻帧之间相同物体上的像素点在时间上保持连续。
根据这个假设，我们可以通过比较两帧之间的像素强度差异来计算每个像素点在图像上的位移。
具体而言，光流法通过以下步骤实现：步骤一：特征提取首先需要从图像序列中提取出关键特征点，例如角点或边缘等。
这些特征点通常具有良好的区分性和稳定性，能够在不同帧之间进行匹配。
步骤二：特征匹配对于每个特征点，光流法通过在相邻帧之间进行搜索来找到其对应点。
一般采用的方法是在当前帧的局部区域内寻找与上一帧中特征点最相似的像素。
步骤三：光流计算通过比较特征点在两帧之间的位置变化，可以计算出光流向量，即每个像素点在图像上的运动方向和速度。
常用的光流计算方法有基于亮度约束和基于相关性约束等。
步骤四：光流可视化为了更直观地展示运动信息，可以将计算得到的光流向量以箭头或颜色等形式叠加在图像上，从而形成光流可视化结果。
3. 光流法的作用3.1 目标跟踪光流法可以用于目标跟踪，即在视频序列中实时追踪目标物体的位置和运动轨迹。
通过不断更新目标物体的位置信息，可以实现对其准确跟踪，并应用于视频分析、智能监控等领域。
3.2 视觉里程计视觉里程计是指通过分析相机连续拍摄的图像序列来估计相机在三维空间中的运动轨迹。
光流法可以用于计算相邻帧之间的相对位移，从而实现对相机运动的估计。
视觉里程计在自动驾驶、增强现实等领域具有重要应用价值。
3.3 三维重建光流法可以用于三维重建，即通过分析多个视角下的图像序列来恢复场景的三维结构。
通过计算不同视角之间的光流向量，可以估计出物体在空间中的位置和形状信息，从而实现对场景的三维重建。
opencv 光流法 特征点
opencv 光流法特征点摘要：，然后按照详细具体地写一篇文章。
1.简介- OpenCV- 光流法- 特征点2.光流法原理- 计算相邻帧之间像素变化- 估计物体运动3.特征点的作用- 图像匹配- 物体识别4.OpenCV中的光流法与特征点结合- 计算光流场- 提取特征点- 匹配特征点5.应用案例- 运动目标检测- 场景识别正文：OpenCV是一个功能强大的计算机视觉和机器学习软件库，广泛应用于图像处理、视频分析和计算机视觉领域。
其中，光流法是OpenCV提供的一种运动估计方法，通过计算相邻帧之间像素之间的变化来估计物体的运动。
而特征点则是图像中具有独特性质的点，如角点、边缘点等，常用于图像匹配和物体识别。
光流法原理是通过计算相邻帧之间像素的变化来估计物体的运动。
具体来说，光流法首先对图像进行预处理，如滤波、去噪等操作，然后计算相邻帧之间像素之间的变化，得到一个光流场。
光流场包含了物体在相邻帧之间的运动信息，可以用来估计物体的运动速度和方向。
特征点在图像处理中具有重要作用。
特征点具有独特的性质，如角点、边缘点等，可以用于图像匹配和物体识别。
在OpenCV中，特征点被广泛应用于SIFT、SURF、ORB等特征提取算法。
这些算法可以提取图像中的特征点，并计算特征点之间的描述符，用于匹配不同图像之间的特征点。
在OpenCV中，光流法和特征点可以相互结合，共同用于图像处理和计算机视觉任务。
首先，通过光流法计算相邻帧之间的光流场，然后提取光流场中的特征点。
接着，利用特征点之间的匹配关系，可以实现运动目标检测、场景识别等任务。
总之，OpenCV中的光流法和特征点是图像处理和计算机视觉领域的两个重要工具。
通过将光流法和特征点相互结合，可以实现更准确、高效的图像处理和计算机视觉任务。
天文光谱数据的特征提取与分析
天文光谱数据的特征提取与分析引言天文学家通过观测天体的光谱数据，可以获取关于宇宙中不同物质的组成、温度、速度和运动等重要信息。
然而，由于天文光谱数据的庞大和复杂性，如何从中提取出有用的特征并进行有效的分析成为一个挑战。
本文旨在探讨天文光谱数据的特征提取与分析方法，以期对天文学研究有所助益。
一、光谱数据的基本特征光谱数据是通过对天体辐射进行分光仪观测得到的，通常以图像或曲线的形式表示。
光谱数据可以分为连续谱和离散谱两类。
连续谱是由连续的辐射强度组成，代表天体的热辐射特征；离散谱则是由一系列谱线组成，代表物质的特定元素和分子的辐射特征。
光谱数据的基本特征包括中心波长、峰值强度、辐射带宽、线宽等。
二、光谱数据的特征提取方法1. 傅里叶变换傅里叶变换是一种常用的信号处理技术，可以将时域信号转换为频域信号，并提取信号的频谱特征。
在天文学中，可以利用傅里叶变换将光谱数据转换为频谱图，从而观察到不同波长的成分对应的能量分布情况。
2. 主成分分析主成分分析是一种常用的统计分析方法，可以从多个变量中提取出最主要的特征。
在天文光谱数据分析中，可以利用主成分分析方法提取出代表光谱数据主要变化的成分，从而减少数据维度并去除噪声。
3. 小波分析小波分析是一种具有时间-频率局部性质的信号处理方法，可以在不同时间和频率尺度上对信号进行分析。
在天文学中，可以利用小波分析方法提取光谱数据的频带特征，揭示出不同频率成分对应的物质特征。
三、光谱数据的特征分析方法1. 相关性分析相关性分析可以用来研究光谱数据中不同特征之间的相互关系。
通过计算不同特征之间的相关系数，可以确定它们之间的线性或非线性关联程度，进而推断出不同物质之间的物理关系。
2. 聚类分析聚类分析是一种将数据分为不同组或簇的统计方法，可以帮助我们发现天文光谱数据中隐藏的模式。
通过分析光谱数据的相似性，可以将不同天体或光谱特征归为一类，从而揭示出物理和化学性质相似的天体之间的联系。
光子学技术在光学图像处理中的图像增强与特征提取技术分享
光子学技术在光学图像处理中的图像增强与特征提取技术分享光子学技术在光学图像处理中的应用逐渐得到了广泛关注。
光学图像处理是指通过光学仪器或技术对采集的光学图像进行处理和优化的过程。
其中，图像增强和特征提取是两个重要的方面。
光子学技术的应用使得图像处理技术在这些方向上取得了显著的进展。
图像增强是指通过对原始图像进行处理，使目标特征在图像中更加明显可见的过程。
光子学技术在图像增强中扮演了重要的角色。
例如，光子学技术中的激光器和探测器能够提供高质量、高分辨率的成像。
激光器可以提供更加明亮和清晰的图像，而探测器能够接收到更多的光信号，并将其转化为电信号，从而增强图像的清晰度和对比度。
此外，光子学技术还可用于光学图像处理中的滤波和去噪。
滤波是通过选择性地传递或抑制特定频率的光信号来改善图像质量。
光子学技术提供了一种高效且精确的方法来实现滤波操作，从而去除图像中的噪声和干扰，使得目标特征更加清晰可见。
特征提取是光学图像处理的另一个重要方向，它旨在从图像中提取出具有代表性的特征。
光子学技术在特征提取中的应用主要涉及到光学传感器和光纤传感器。
光传感器能够测量光的吸收、散射、反射、透射等属性，通过对这些属性进行分析，可以提取出图像中的各种特征。
光纤传感器则利用光纤的传输和传感特性，实时监测目标物体的形状、温度、压力等参数，并将其转化为图像特征。
光子学技术在图像增强和特征提取中的应用不仅仅局限于传统的光学图像采集与处理，还延伸到了现代计算机视觉和机器学习领域。
例如，利用光子学技术可以实现三维图像重建和识别。
通过使用光学传感器和光纤传感器获取的数据，可以实时生成物体的三维结构，并利用计算机视觉和机器学习算法对其进行分析和识别。
此外，还有一些光子学技术的创新应用，如光学数字图像处理、光学相干断层扫描技术等，也在图像增强和特征提取中发挥着重要作用。
例如，光学数字图像处理利用光子学技术对数字图像进行处理和改善，通过增强图像的对比度、清晰度和细节，提取出图像中的特征。
光流法原理和跟踪流程 -回复
光流法原理和跟踪流程-回复光流法（Optical Flow）是计算机视觉中常用的一种运动估计方法。
它通过分析图像中像素点随时间的变化，来推测出像素点的运动方向和速度。
光流法在目标追踪、医学影像分析、自动驾驶等领域发挥着重要作用。
在本文中，我将详细介绍光流法的原理和跟踪流程，帮助读者更好地理解和应用该方法。
光流法的原理基于一个基本假设：相邻时刻的像素点的灰度值之差（即图像亮度的变化）主要由相机的运动引起，而不是物体的运动。
基于这个假设，光流法试图通过计算相邻帧之间像素点之间的运动矢量来估计相机的运动。
那么，光流法的具体跟踪流程是怎样的呢？以下是一个典型的流程：1. 图像预处理在进行光流计算之前，首先需要对图像进行预处理。
这包括图像去噪、灰度化、图像金字塔构建等步骤。
图像金字塔的构建是为了对不同尺度的运动进行估计，以应对不同场景下的运动速度变化。
2. 特征提取在光流法中，通常选择一些具有较好区分度和稳定性的特征点进行运动估计。
常用的特征点包括角点、边缘等。
特征提取方法可以是角点检测算法（如Harris角点检测）或其他滤波器。
提取到的特征点可以用来计算光流向量。
3. 光流计算光流计算是光流法的核心环节。
常用的光流计算方法有基于亮度差异的光流计算方法和基于约束条件的光流计算方法。
基于亮度差异的光流计算方法基于光流法的基本假设，通过计算相邻帧之间像素点的灰度值之差来估计运动矢量。
这种方法简单直观，但对于大灰度变化和光照变化较大的情况不够稳定。
基于约束条件的光流计算方法则利用了光流场的光滑性和连续性约束。
其中一种常见的方法是使用光流方程，将其转化为一个光流方程约束优化问题，并用迭代方法求解。
这种方法对光照变化和大灰度变化具有一定的鲁棒性。
4. 光流可视化和结果分析经过光流计算之后，得到的光流场可以用来可视化和分析。
常见的可视化方法有箭头可视化和色彩编码可视化。
箭头可视化将每个特征点的光流矢量表示为箭头的方向和长度，色彩编码可视化则利用不同颜色来表示光流的方向和大小。
特征提取在视频分析中的应用(八)
特征提取在视频分析中的应用引言随着科技的进步和互联网的普及，视频已经成为人们生活中不可或缺的一部分。
从社交媒体上的视频分享到监控摄像头的实时录像，视频的应用范围越来越广泛。
然而，要对这些海量的视频进行分析和处理，就需要借助计算机视觉和机器学习的技术。
而特征提取正是视频分析中至关重要的一步。
一、视频特征提取的概念首先，我们需要了解什么是视频特征提取。
视频特征提取是指从视频数据中提取出具有代表性的信息，这些信息可以用来描述视频中的运动、颜色、纹理等特征。
这些特征可以帮助计算机理解视频内容，识别物体、动作、情绪等。
二、视频特征提取的方法在视频特征提取的方法中，有很多常用的技术，比如光流法、帧间差分法、颜色直方图等。
光流法是一种基于像素运动的方法，它可以通过分析图像中像素的运动轨迹来提取视频中的运动特征。
帧间差分法是通过比较相邻帧之间的差异来提取视频中的动作特征。
颜色直方图则是将视频中的颜色信息进行统计和分析，从而提取视频的颜色特征。
另外，近年来深度学习的发展也为视频特征提取带来了新的方法和思路。
卷积神经网络（CNN）和循环神经网络（RNN）等深度学习模型可以直接从原始视频数据中学习特征，大大提高了视频分析的效果和准确度。
三、视频特征提取在视频内容分析中的应用视频特征提取在视频内容分析中发挥着至关重要的作用。
一方面，它可以帮助识别视频中的物体和动作，从而实现视频内容的自动标注和检索。
另一方面，它也可以用于视频内容的分类和识别，比如识别视频中的场景、情绪等。
这些应用不仅可以帮助用户更方便地找到他们感兴趣的视频内容，也可以为视频广告投放、内容推荐等提供依据。
此外，视频特征提取还在视频监控、视频安防等领域得到了广泛的应用。
通过提取视频中的运动特征和目标特征，可以实现对视频监控画面的实时分析和识别，从而提高了视频监控系统的智能化和自动化水平。
四、视频特征提取的挑战与展望尽管视频特征提取在视频分析中有着重要的作用，但也面临着一些挑战。
使用计算机视觉技术进行光流估计的常见难点解析
使用计算机视觉技术进行光流估计的常见难点解析光流估计是计算机视觉中的关键技术之一，用于跟踪图像序列中的像素点在连续帧间的运动情况。
通过对光流场的估计，可以获取到图像序列中目标物体的运动轨迹和速度信息，这在目标跟踪、运动分析和三维重建等领域具有重要应用。
然而，在实际应用中，光流估计面临一些挑战，下面将对常见的难点进行解析。
1. 特征匹配的准确性：光流估计的关键问题之一是准确地匹配连续帧中的特征点。
由于图像中存在噪声、纹理变化和遮挡等因素，特征点的提取和匹配往往变得困难。
特征点的选择和描述子的设计对光流估计的准确性有着重要影响。
一般而言，稳定的角点和具有良好可区分性的纹理区域往往被视为理想的特征点。
此外，对于高纹理区域，使用基于像素灰度值的描述子如传统的互相关方法足够有效，但是在低纹理区域仍然存在着挑战。
2. 光流场的不连续性：在图像序列中，物体的运动并不总是连续平滑的，可能会发生物体的加速度变化、边界的变化或者快速的运动等情况，这会导致光流场的不连续性。
对于这种情况，传统的基于局部光流的方法可能无法提供准确的结果。
为了解决这个问题，一种常见的策略是使用全局优化方法，例如基于能量最小化的方法。
通过定义适当的能量函数，可以约束光流场的平滑性和连续性，从而获得更准确的结果。
3. 遮挡的处理：在图像序列中，目标物体可能被其他物体或者场景遮挡，这会导致光流估计的不准确性。
遮挡问题对于光流估计来说是一个挑战，因为在遮挡区域内像素点的运动在图像上是不可见的。
为了解决这个问题，一种常见的策略是将光流估计问题转化为一个半稠密场或稀疏场的问题。
通过选择合适的像素点以及使用适当的约束条件，可以减少遮挡区域对光流估计结果的干扰。
4. 系统的实时性：在某些应用中，如自动驾驶系统或实时视频分析，对光流估计的实时性要求非常高。
然而，传统的光流估计方法通常需要大量的计算资源和时间来完成。
为了解决这个问题，研究者们提出了一些基于硬件加速和端到端学习的方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 引 言
针对夜间交通事故相对较高的事实 , 发展先进 车辆前照系统(AFS, adaptive front lighting system)是 提高夜间驾驶安全性的一种有效的主动安全技术[1]。 而AFS的前提之一在于及时准确地提取前方路况和 迎面车辆等特征信息[2], 包括前方路况信息、车道状
本文于 2010 年 10 月收到。
Abstract: According to the complex optical flow field of video image sequences which are from frontage scene in driving environment, a new method for extracting real-time driving environment feature based on optical flow analysis was put forward. The driving video image sequences, which were taken from forward visual field in driving environment by a fixed camera in the cab, were segmented into three regions. At first, the optical flow fields of the two regions were estimated by an improved optical flow algorithm with five-confidence-point constraint. Then they were processed by confidence space and arithmetic average with the principle of mathematical statistics. So the optical flow estimation robustness was greatly improved and the feature information was effectively extracted, such as driving speed, curves and driving uphill or downhill, etc. The method with two consecutive frames subtraction was applied to another region for real-time extracting oncoming vehicles information in night driving environment. The driving experiments show that the proposed method is characterized by a strong anti-interference and a high instantaneity, and can extract driving environment feature information effectively, as well as the accuracy ratio of feature extraction is 82.5%. Therefore, this method will be of potential application value in Adaptive Front Lighting System and Intelligent Transportation System. Keywords: optical flow field; feature extraction, region segmentation; confidence space; subtraction
( I xi I y 0 − I x 0 I yi ) 2 + ( I xi I t 0 − I x 0 I ti ) 2 + ( I yi I t 0 − I y 0 I ti )2 较
优点在于光
流不仅包含了被观察物体的运动信息 , 而且携带着 有关景物三维结构的丰富信息。光流是空间运动物 体在观测成像面上的像素运动的瞬时速度
2 行车环境复杂光流场计算
2.1 行车视频图像采集 行车视频图像是由固定在驾驶室的摄像机所拍 摄的驾驶员视野前方行车视频图像序列。图 1 为行 车视频采集的示意图。
(2)
采用图 2 右上角的离散高斯卷积核 W: (1, 4, 6, 4, 1)/16 对式(2)计算结果局部平滑处理, 得到当前像素
图 1 行车视频图像获取 Fig. 1 Driving video image acquisition 2.2 光流约束方程 Horn 和 Schunck 于 1981 年根据图像灰度守恒原 理推导出了光流约束方程[ 13]:
第 25 卷 第 3 期 2011 年 3 月
电子测量与仪器学报
JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT
Vol. 25 No. 3 · 285 ·
DOI: 10.3724/SP.J.1187.2011.00285
复杂光流场运动分析与特征提取*
江济良 屠大维 周许超 陈 勇
I x u + I y v + It = 0
(1)
式中: Ix、Iy 为图像灰度的空间梯度, It 为图像灰度随 时间的变化率, u 和 v 分别为光流沿 x 和 y 方向的两 个分量。 2.3 改进的 Horn-Schunck 光流计算方法 在实际环境下 , 由于存在各种干扰 , 会导致像 素点的时空梯度发生突变 , 使得运动图像的光流场 呈现不均匀性。采用图 2 的高斯离散卷积核对当前 像素点的时空梯度进行平滑处理。选取以当前像素 图 2 五置信点平滑处理 Fig. 2 Smoothing with five-confidence-point
*基金项目: 国家自然科学基金资助(编号:60774102、51075252)资助项目; 上海大学 211 重点学科建设项目资助。
· 286 ·
电子测量与仪器学报
第 25 卷
抗噪性能好 , 适于长时间大运动量的处理 , 但特征 提取和对应关系的建立困难。光流法
[8-11]
点为中心的 3×3 区域, 当前像素点对应的窗口标记 为 0, 区域中其他像素点对应的窗口依次标记如图。 将区域中其他像素点时空梯度分别与当前像素点时 空梯度进行比较, 根据最小均方误差的准则(使
* *
或超过最大的迭代次数kmax时, 迭代计算结束, 即:
| u ( n ) − u ( n −1) |≤ ε1 | v ( n ) − v ( n −1) |≤ ε 2 或 k > kmax 。
(3)
式中: * 表示卷积, Ixi、 Iyi 和 Iti 表示窗口 i 的像素点的 时空梯度。经过上述时空梯度的局部平滑处理之后, 再利用 Horn-Schunck 光流算法计算当前
复杂光流场运动分析与特征提取
· 287 ·
点在 x、y 方向的空间及时间梯度为:
W I x = (6 I x 0 + I x1′ + 4 I x 2′ + 4 I x 3′ + I x 4′) /16 W * I y = (6 I y 0 + I y1′ + 4 I y 2′ + 4 I y 3′ + I y 4′) /16 W I t = (6 I t 0 + I t1′ + 4 I t 2′ + 4 I t 3′ + I t 4′) /16
Motion analysis of complex optical flow field and feature extraction
Jiang Jiliang Tu Dawei Zhou Xuchao Chen Yong
(School of Mechatronics Engineering and Automation Shanghai University, Shanghai 200072, China )
[12]
。行车
环境光流场不仅包含了全局运动和局部运动信息 , 而且还携带着上下坡引起的景物三维结构的变化信 息, 因此它是一个复杂光流场。 本文采用基于光流分 析的方法对车辆行车环境特征进行实时提取。首先 对固定在驾驶室的摄像机所拍摄的驾驶员视野前方 行车视频图像序列进行区域分割 , 然后采用改进的 Horn-Schunck 光流算法计算分割区域的光流场 , 对 其作 60% 置信空间和算术平均处理 , 并对分割区域 图像作帧间差分处理 , 实现了准确实时地提取车辆 行车环境特征信息。
(上海大学机电工程与自动化学院, 上海 200072) 摘 要: 针对车辆行车前方场景视频图像序列这一复杂光流场, 提出一种基于光流分析的车辆行车环境特征实时提取方法: 对固定在驾驶室的摄像机所拍摄的驾驶员视野前方行车视频图像序列进行区域分割, 得到 3 个特征区域, 采用五置信点光流算 法对其中两个区域的光流场进行光流估计, 并应用数理统计方法对其作置信空间和算术平均处理, 提高了光流估计的鲁棒性, 有效提取了自身行车速度、弯道、上下坡等特征信息; 对另一区域进行帧间差分来实时提取夜间行车环境迎面车辆信息。行车 实验结果表明: 该方法抗干扰性强, 实时性高, 能有效地提取车辆行车环境特征信息,提取准确率达 82.5%。该方法在自适应前 照系统、智能交通系统中具有潜在的应用价值。 关键词: 光流场；特征提取；区域分割；置信空间；差分 中图分类号: TP391.41 文献标识码: A 国家标准学科分类代码: 510.4050
小), 从该区域中选取包含当前像素点为中心的五点 组成五置信点邻域 Ω。其中窗口 2′和 3′的像素点从 窗口 2、4、5、7 的像素点中选取, 窗口 1′和 4′的像 素点从窗口 1、3、6、8 的像素点中选取, 选取的依 据是两像素点的均方误差是四像素点均方误差中最 小的 2 个。设 f (i, j , t ) 是图像在 ( x, y, t ) 点的强度 ,