基于对比度直方图特征子空间聚类的区域级背景减除方法
基于直方图的图像去雾平台的设计与实现
基于直方图的图像去雾平台的设计与实现随着科技的不断发展，数字图像处理技术在各个领域都得到了广泛的应用，其中图像去雾技术是其中的重要研究方向之一。
图像去雾的目的是将被大气颗粒散射和吸收所导致的模糊和低对比度的影响去除，提高图像的清晰度和质量。
基于直方图的图像去雾平台是一种较为高效和准确的去雾方法，本文将介绍关于基于直方图的图像去雾平台的设计与实现。
一、基于直方图的图像去雾原理基于直方图的图像去雾是一种基于图像亮度的去雾方法，其原理基于对图像直方图的分析。
图像的直方图是描述图像亮度分布的一种直观形式，对于去雾处理来说，图像的亮度分布对于雾的影响至关重要。
一般来说，受雾的影响，图像的直方图会呈现出明显的偏移和拉伸，即图像的亮度范围会受到一定程度的压缩和偏移。
基于这一原理，基于直方图的图像去雾方法通过对图像直方图进行分析和处理，来消除雾的影响，将图像恢复清晰度和对比度。
1. 数据输入与输出基于直方图的图像去雾平台的设计中，首先要考虑的是数据输入与输出的模块。
平台需要提供方便的数据输入接口，允许用户通过上传图像的方式进行去雾处理。
对于处理后的图像，平台要提供相应的数据输出接口，允许用户将去雾后的图像下载保存。
2. 直方图分析基于直方图的图像去雾方法中，直方图分析是一个关键的步骤。
平台需要设计相应的直方图分析模块，能够对上传的图像进行直方图的计算和分析。
通过对图像直方图的分析，平台能够得到图像的亮度分布情况，为后续的去雾处理提供依据。
3. 去雾算法实现在直方图分析的基础上，基于直方图的图像去雾平台需要设计相应的去雾算法实现模块。
根据图像直方图的分析结果，平台会选择合适的去雾算法进行处理，以消除图像中的雾气影响。
4. 参数调节与优化基于直方图的图像去雾平台还需要考虑参数调节与优化的模块。
不同的图像去雾算法可能会有不同的参数设置，平台需要根据实际情况提供相应的参数调节接口，让用户可以根据不同的需求和图像特点进行参数调节，以获得更加满意的去雾效果。
图像处理技术中的直方图匹配方法介绍
图像处理技术中的直方图匹配方法介绍直方图匹配是图像处理技术中常用的一种方法，它可以用来改变图像的亮度分布，使之符合特定的标准。
本文将介绍直方图匹配的原理、方法和应用。
直方图是图像中各灰度级的统计信息，它可以反映图像的亮度分布。
直方图匹配的目标是通过对比两个图像的直方图，调整一个图像的像素值，使其直方图与另一个图像的直方图相匹配。
直方图匹配的原理是将原始图像的亮度分布映射到目标图像的亮度分布上。
具体过程包括以下步骤：计算原始图像和目标图像的直方图。
直方图可以通过统计每个灰度级的像素个数计算得出。
将原始图像的直方图进行归一化处理，以使得图像的亮度范围保持一致。
计算原始图像和目标图像的累积直方图。
累积直方图反映了每个灰度级及其前面所有灰度级的像素个数累加值。
接着，根据原始图像和目标图像的累积直方图，计算像素值映射表。
该映射表可以通过将原始图像上的每个灰度级映射到目标图像上对应的灰度级来实现直方图匹配。
使用像素值映射表将原始图像的像素值映射到目标图像上，完成直方图匹配。
在图像处理中，直方图匹配有多种应用。
其中一个主要应用是图像增强。
通过将一幅图像的直方图匹配到另一幅具有良好亮度分布的图像上，可以增强原始图像的对比度和细节，改善图像的视觉效果。
直方图匹配也可以用于图像配准。
在医学影像、遥感影像等领域，图像配准是一个重要的任务。
通过直方图匹配，可以使两幅图像在亮度上具有一致性，从而提高图像配准的准确性。
直方图匹配还可以用于图像分类和目标检测。
通过将图像的直方图与训练样本的直方图进行匹配，可以实现图像的自动分类和目标的自动检测。
需要注意的是，直方图匹配虽然可以改善图像的亮度分布，但也可能导致图像的颜色失真。
因此，在应用直方图匹配时需要谨慎，根据具体情况进行权衡和调整。
总结来说，直方图匹配是图像处理中常用的方法，可以通过调整图像的亮度分布实现图像增强、图像配准、图像分类和目标检测。
在实际应用中，需要充分考虑图像的特点和需求，谨慎选择合适的参数和方法，以达到最佳效果。
基于PCA_降噪的改进型CLAHE_算法
第 22卷第 12期2023年 12月Vol.22 No.12Dec.2023软件导刊Software Guide基于PCA降噪的改进型CLAHE算法张学典，王文明（上海理工大学光电信息与计算机工程学院，上海 200093）摘要：为解决可见光成像设备采集的图像细节特征识别困难的问题，结合两种不同方法提出一种主成分分析和改进型的各向异性扩散滤波器的模糊裁剪对比度受限自适应直方图均衡化（ADFS-CLAHE-FC）图像增强技术，从图像中提取有意义的信息。
首先通过PCA对图像进行降噪处理，然后利用ADFS-CLAHE-FC对降噪后的图像作增强处理，最后基于ADFS-CLAHE-FC进一步降低图片的噪声，保持对比度和亮度。
实验表明，该方法在增强图像对比度的同时消除了图像噪声，在视觉上效果更好，相较于直方图均衡化（HE）、对比度受限自适应直方图均衡化（CLAHE）方法及其他方法在提升图像质量和保持图像细节方面性能更优，有助于提升图像分割和提取的准确性。
关键词：图像增强；CLAHE；主成分分析；对比度增强；直方图均衡化DOI：10.11907/rjdk.222402开放科学（资源服务）标识码（OSID）：中图分类号：TP183 文献标识码：A文章编号：1672-7800（2023）012-0200-09Improved CLAHE Algorithm Based on PCA Noise ReductionZHANG Xuedian， WANG Wenming（School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）Abstract：To address the difficulty in identifying detailed features of images captured by visible light imaging devices， a fuzzy cropping con‐trast limited adaptive histogram equalization （ADFS-CLAHE-FC） image enhancement technique is proposed by combining principal compo‐nent analysis and an improved anisotropic diffusion filter with two different methods to extract meaningful information from the image. Firstly，the image is denoised using PCA， and then the denoised image is enhanced using ADFS-CLAHE-FC. Finally， the noise of the image is fur‐ther reduced based on ADFS-CLAHE-FC，maintaining contrast and brightness. Experiments have shown that this method enhances image contrast while eliminating image noise，resulting in better visual performance. Compared to histogram equalization （HE），contrast limited adaptive histogram equalization （CLAHE）， and other methods， it performs better in improving image quality and preserving image details，which helps to improve the accuracy of image segmentation and extraction.Key Words：image enhancement； CLAHE； principal component analysis； contrast enhancement； histogram equalization0 引言计算机视觉系统的成功很大程度取决于图像质量，因为它决定了信息检索和解释的准确性，图像质量差会给目标识别、分割和特征提取带来很大阻碍。
图像识别中常见的预处理技术(九)
图像识别中常见的预处理技术图像识别是计算机视觉领域的一个重要研究方向，它通过对图像进行处理和分析，使计算机能够理解和识别图像中的内容。
在图像识别中，预处理技术起着至关重要的作用。
本文将介绍图像识别中常见的预处理技术，并分析其应用和效果。
一、图像去噪图像去噪是图像预处理的一项基础工作。
图像中的噪声会影响到图像的质量和后续处理的效果，因此在进行图像识别之前，首先需要对图像进行去噪处理。
常用的图像去噪方法有中值滤波、均值滤波和高斯滤波等。
中值滤波通过计算像素邻域的中值来去除噪声，适用于椒盐噪声等。
均值滤波通过计算像素邻域的平均值来去除噪声，适用于高斯噪声等。
高斯滤波通过计算像素邻域的加权平均值来去除噪声，并能保持图像的细节特征。
二、图像增强图像增强是指对图像的明暗、对比度等参数进行调整，以提高图像的视觉效果。
图像增强可以改善图像的可视化效果，同时也能提高图像在识别算法中的准确性。
常见的图像增强方法有直方图均衡化、对数变换和伽马变换等。
直方图均衡化通过将直方图拉伸到整个灰度范围内，来增强图像的对比度。
对数变换通过对图像的像素值进行对数变换，来增强图像的低对比度区域。
伽马变换通过对图像的灰度级进行非线性映射，来增强图像的亮度和对比度。
三、图像标准化图像标准化是指对图像的尺度、方向和光照等进行校正，以便于后续的图像识别。
图像标准化可以消除因图像采集设备和环境等因素引起的差异，提高图像识别的鲁棒性。
常见的图像标准化方法有尺度标准化、方向标准化和光照标准化等。
尺度标准化通过将图像缩放到固定的尺寸，来消除尺度的差异。
方向标准化通过计算图像的梯度方向，来将图像的方向统一到一个范围内。
光照标准化通过对图像的亮度进行校正，来消除光照的差异。
四、图像分割图像分割是将图像划分成若干个具有独立特征的区域或对象的过程。
图像分割可以将复杂的图像场景分解为易于识别的子图像，提高图像识别的准确性和效率。
常见的图像分割方法有阈值分割、边缘检测和区域生长等。
直方图均衡化的原理和作用
直方图均衡化的原理和作用直方图均衡化是一种常见的图像处理技术，用于增强图像的对比度和视觉效果。
它的原理是通过重新分布图像的灰度级别，使得图像中的像素灰度值分布更加均匀，从而改善图像的视觉效果。
在进行直方图均衡化时，首先需要获取图像的灰度直方图，然后根据灰度直方图的累积概率密度函数对图像的像素进行重新分配。
直方图均衡化的作用主要体现在以下几个方面：1. 增强图像的对比度：直方图均衡化可以有效地增强图像的对比度，使得图像中不同区域的灰度级别更加明显，从而使得图像的细节更加清晰。
2. 提高图像的视觉效果：通过直方图均衡化，图像的灰度级别分布更加均匀，可以使得图像看起来更加自然和真实，同时增强了图像的视觉效果，使得观看者更容易理解和分析图像内容。
3. 抑制背景噪声：在图像处理中，背景噪声往往会影响图像的清晰度和质量。
通过直方图均衡化可以有效地抑制背景噪声，使得图像更加清晰和易于分析。
4. 增强图像的细节：直方图均衡化可以增强图像的细节，使得图像中的纹理和结构更加清晰和突出，同时也能够凸显出图像中的一些微弱的特征。
直方图均衡化的原理是基于图像的灰度级别分布的重新分配，其具体操作过程如下：1. 获取图像的灰度直方图：首先需要对图像进行灰度化处理，然后统计不同灰度级别的像素点数量，从而得到图像的灰度直方图。
2. 计算灰度直方图的累积概率密度函数：根据图像的灰度直方图，可以计算出每个灰度级别对应的累积概率密度函数，即将原始的灰度级别映射到新的灰度级别上。
3. 根据累积概率密度函数对像素进行重新分配：根据计算得到的累积概率密度函数，可以将图像中的每个像素的灰度级别重新映射到新的灰度级别上，从而得到均衡化后的图像。
通过以上操作，可以实现直方图均衡化，从而改善图像的对比度和视觉效果。
需要注意的是，直方图均衡化可能会增强图像中的噪声和细小的纹理，因此在实际应用中需要结合具体的图像特性进行调整，以达到最佳的效果。
总之，直方图均衡化是一种有效的图像处理技术，通过重新分配图像的灰度级别，可以增强图像的对比度，改善图像的视觉效果，并抑制背景噪声，使得图像更加清晰和易于分析。
如何解决图像识别中的光照不均匀问题(十)
在图像识别技术中，光照不均匀是一个常见的问题。
光照不均匀会导致图像中的目标物体出现明暗不一，影响了准确的图像识别和分析。
因此，解决图像识别中的光照不均匀问题是一个关键的任务。
一、了解光照不均匀问题的原因光照不均匀通常由环境中的自然光源不均匀分布、光线的反射和折射等多方面因素导致。
这些因素使得图像中的部分区域相对于其他区域变暗或变亮，进而影响了图像的质量和识别效果。
二、预处理算法对光照不均匀问题的应用在解决光照不均匀问题中，预处理算法是一种常用的方法。
通过对图像进行预处理，可以消除光照不均匀引起的负面影响，提高图像的质量和识别效果。
1. 直方图均衡化算法直方图均衡化算法是一种常用的预处理方法，它通过对图像的直方图进行变换，使得图像中的像素分布更加均匀。
这样可以提高整个图像的对比度，减少光照不均匀导致的明暗差异。
然而，直方图均衡化算法存在一些缺陷，例如对于光照变化较为剧烈的图像，可能会导致细节的丢失和图像的过曝。
2. 双边滤波算法双边滤波算法是一种非线性滤波方法，它不仅考虑相邻像素的空间距离，还考虑图像中像素的亮度差异。
通过保留边缘信息的同时，可以减少光照不均匀带来的影响。
双边滤波算法在处理光照不均匀问题时，能有效减少图像的噪声和增强细节。
三、深度学习在解决光照不均匀问题中的应用近年来，深度学习技术的快速发展为解决图像识别中的光照不均匀问题提供了新的思路和方法。
1. 卷积神经网络（CNN）算法卷积神经网络是一种适用于图像处理和分析的深度学习算法。
通过训练大量的图像数据，CNN能够自动提取和学习图像中的特征。
在解决光照不均匀问题中，CNN可以通过构建多层卷积和汇聚层来提取图像的特征，进而实现对光照不均匀的自适应调整。
2. 生成对抗网络（GAN）算法生成对抗网络是一种由生成器和判别器组成的模型，通过训练生成器和判别器的对抗过程，可以生成质量较高的图像。
在解决光照不均匀问题中，GAN可以通过生成与原始图像近似的新图像，来实现光照不均匀的纠正。
高低频去除高光的方法
高低频去除高光的方法高低频去除高光是一种图像处理技术，用于减少或消除图像中过曝或过亮的高光区域。
在数字图像处理中，高低频滤波是一种常用的方法，它可以根据频率来滤除图像中的高频和低频信息，从而实现去除高光的效果。
下面我将详细介绍几种常用的高低频去除高光的方法。
方法一：直方图均衡化直方图均衡化是一种常用的图像增强方法，它可以通过重新分配图像的灰度级来增强图像的对比度。
当图像存在高光时，直方图均衡化可以通过压缩高光区域的灰度级来减弱高光的强度。
这种方法对于有强对比度的图像效果较好，但对于一些细节丰富的图像可能会造成细节的丢失。
方法二：线性混合线性混合是一种通过混合原始图像和经过滤波的图像来实现去除高光的方法。
首先，通过高通滤波器滤除原始图像中的低频信息，得到高光图像。
然后，将原始图像和高光图像按照一定的权重进行加权混合，得到去除高光的图像。
这种方法可以有效地减少高光的强度，但对于高光区域的细节可能会产生一定程度的模糊。
方法三：多尺度分解多尺度分解是一种将图像分解成不同尺度的信号的方法。
通过利用小波分析或金字塔算法，可以将图像分解为低频部分和高频部分。
通过选择合适的尺度和滤波器，可以将高光区域中的高频信息滤除，从而实现去除高光的效果。
这种方法在去除高光的同时，能够保留图像的细节信息。
方法四：Retinex算法Retinex算法是一种基于人眼视觉系统特性的图像增强算法。
该算法通过估计图像的反射和亮度分量，对图像进行分解和增强。
在去除高光的过程中，Retinex 算法通过调整图像的亮度分量，使得高光区域的强度减弱，从而实现去除高光的效果。
与其他方法相比，Retinex算法能够更好地保留图像的细节信息。
方法五：局部对比度增强局部对比度增强是一种基于对比度增强的图像处理方法。
该方法通过计算局部区域的对比度，然后对图像进行局部增强。
在去除高光的过程中，可以通过减少高光区域的对比度来减弱高光的强度。
这种方法能够在保留图像细节的同时，有效地去除高光区域的过曝。
对比度表示方法
对比度表示方法
对比度是描述图像亮度差异的量度。
一般来说，对比度高的图像具有明显的黑白边界，而对比度低的图像会显得灰暗无趣。
下面列举了几种表示对比度的方法：
1.百分比常数法：对比度=(最大像素值-最小像素值)/(最大像素值+最小像素值)。
2. Gamma校正法：对比度 = (中间灰度值)^Gamma值，其中Gamma 值通常为2.2。
3.直方图法：对比度可以从图像的直方图中获取。
如果直方图分布在中间，则表示对比度高；如果直方图分布在左右两侧，则表示对比度低。
4.方差法：对比度可以通过图像像素值的方差计算得到。
方差越大，表示对比度越高。
5.梯度法：对比度可以通过图像像素值的梯度计算得到。
梯度越大，表示对比度越高。
总之，对比度是一种非常重要的图像特征，它可以影响图像的清晰度和鲜明度，因此无论是在摄影、设计还是图像处理领域中，对比度都是一个需要被重视的因素。
局部直方图均衡化
局部直方图均衡化
局部直方图均衡算法
局部直方图均衡算法，又称为子块直方图均衡算法按照所均衡子块的重叠程度来分类，可分为子块不重叠、子块重叠与子块部分重叠三种，下面分别对它们作- -简介: 子块不重叠的均衡算法该算法将
输入图像划分为一系列不重叠的子块,并对每一个子块进行独立的
直方图均衡其优点是图像局部细节对比度能得到充分的增强，缺点是各子块的直方图均衡函数差异较大,输出图像中难以避免块效应。
子块重叠的均衡算法
该算法在输入图像上定义一个矩形子块，利用该子块图像的直方图信息对子块中心的像素进行均衡将子块中心逐像素移动并重复以
上处理过程，直至遍历输入图像的所有像素(方法类比于Niblack二
值化的过程)。
该方法不仅使图像局部细节得到充分的对比度增强，
同时消除了块效应由于子块均衡总次数等于输入图像的像素总数，算法效率较低。
子块部分重叠的均衡算法
该方法(POSHE) 与子块重叠方法的不同之处在于:
(1)子块不是逐像素移动，而是将移动步长约取为子块尺寸的几
分之一。
(2)子块均衡的灰度转换函数不仅用于映射子块中心像素灰度值，而且用于映射子块所有像素的灰度值。
(3)对多次被均衡的像素，将均衡结果取平均作为该像素在输出
图像中的灰度值子块部分重蠱算法的特点是:
(1)由于子块部分重叠方式减少了相邻子块间的均衡函数形状差异，使块效应基本得以消除对于子块边界可能出现的少量块效应，用块效应消除滤波器(BERF) 不难克服。
(2)由于子块均衡总次数比子块重叠方式少得多，计算效率大幅度提高。
( 3)图像细节的增强能力与子块重叠算法相近。
hog方法
hog方法HOG方法：从图像中提取特征的有效方法引言在计算机视觉领域，图像特征提取是一项重要的任务。
特征提取通常用于图像分类、目标检测和目标跟踪等应用中。
HOG （Histogram of Oriented Gradients）方法是一种常用的图像特征提取方法，它通过计算图像局部区域的梯度直方图来描述图像的特征，被广泛应用于人脸识别、行人检测等领域。
HOG方法的原理HOG方法的基本思想是将图像分割成小的重叠区域，并计算每个区域内的梯度直方图。
具体步骤如下：1. 图像预处理：首先，需要对图像进行预处理，包括图像归一化、灰度化和高斯平滑等操作。
这些预处理步骤有助于降低噪声的影响，并提高特征的稳定性。
2. 计算梯度：接下来，需要计算图像中每个像素点的梯度。
通常使用Sobel算子对图像进行卷积操作，得到每个像素点的梯度幅值和方向。
3. 划分单元格：将图像分割成小的单元格，通常为16×16像素大小。
每个单元格内包含一定数量的像素点。
4. 构建梯度直方图：对每个单元格内的像素点，根据其梯度方向，将其投票到相应的梯度直方图中。
梯度直方图可以反映该单元格内的梯度分布情况。
5. 归一化：为了保持特征的不变性，需要对梯度直方图进行归一化处理。
通常使用块归一化的方法，将若干个相邻单元格的梯度直方图进行拼接，并进行L2范数归一化。
6. 特征向量表示：最终，将所有归一化后的梯度直方图拼接成一个特征向量，即HOG特征向量。
该特征向量可以用于后续的分类、检测和跟踪任务。
HOG方法的优势HOG方法在图像特征提取中具有以下优势：1. 不受光照变化的影响：HOG方法基于局部梯度的计算，对光照变化不敏感。
这使得HOG方法在人脸识别、行人检测等应用中具有较好的鲁棒性。
2. 提取局部纹理信息：HOG方法通过计算梯度直方图，可以有效地提取图像的局部纹理信息。
这些纹理信息对于物体的识别和检测非常重要。
3. 低维度特征表示：HOG方法提取的特征向量维度相对较低，不仅节省了存储空间，也降低了后续分类和检测任务的计算复杂度。
- 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)。
基于对比度直方图特征子空间聚类的区域级背景减除方法
作者：钱诚
来源：《软件导刊》2016年第07期
摘要：针对区域级背景减除问题，提出一种基于图像块对比度直方图特征的背景减除方法。
对于已输入的一段视频，将每一帧视频分割成图像块，并提取对比度直方图特征。
在该特征上通过自描述方式将前景作为噪声误差项与背景分离，随后使用稀疏子空间聚类方法构建关于对比度直方图特征的聚类，而对于特征聚类的主成分分析给出了关于背景特征的多个子空间，并以此作为区域级背景模型。
在后续输入视频帧中提取对比度直方图特征，将其投影到各子空间中计算重构误差，以此作为前背景的决策依据。
实验结果表明，该方法能够有效减除视频中的背景。
关键词关键词：区域级背景减除；对比度直方图特征；稀疏子空间聚类
DOIDOI：10.11907/rjdk.161418
中图分类号：TP317.4文献标识码：A文章编号文章编号：16727800（2016）007018402
0引言
视频中的背景减除是许多视觉检测技术中必不可少的环节，其在视频监控、异常事件检测、工业零件识别等领域中有着广泛应用。
背景减除方法的关键在于背景模型的鲁棒性及自适应性，但是受制于实际场景所存在的背景物体扰动、光照变化、相机抖动等因素，设计一个强鲁棒的背景模型仍十分困难。
鉴于背景减除方法在视觉检测技术应用中的重要性，当前已有大量背景模型被提出以试图解决背景减除问题[1]。
根据建立背景模型所依赖的对象，背景减除大致上可以分为3类：像素级背景减除方法、区域级背景减除方法以及帧级背景减除方法。
像素级的背景减除方法往往试图通过对单像素的灰度值建立统计模型来描述前景，Stauffer等[2]提出采用混合高斯模型描述像素灰度值变化。
在区域级背景模型方面，Lin等[3]在多帧连续视频中取相同空间位置的图像区域提取时空三值模式特征，以此表征视频帧的区域级背景变化，并在此基础上实现背景减除。
针对动态背景，Monnet等[4]提出使用增量主成分在图像区域特征上建立关于背景的子空间预测模型，并据此来判断后续视频帧中每个图像区域是否为背景。
Liu等[5]直接将采集到的视频帧构建矩阵，随后通过对该矩阵施加低秩性约束来获得背景图像，该类方法所构建的背景模型为一类典型的帧级模型。
对于像素级模型而言，其模型简单、处理速度快，但是这类模型往往忽略了像素之间的联系，背景减除结果容易产生噪点。
区域级的背景模型侧重于图像局部特征的构建和提取，能够在一定程度上克服像素级噪点问题。
帧级背景模型则将整个视频帧作为整体加以考虑，但是对于高动态的背景适应性较差。
相比像素级模型和帧级模型，基于区域级模型的背景减除方法虽然无法提供像素级的背景减除精度，但是其能够解决噪点问题，对于动态背景也具有较为稳定的减除效果。
此外，在运动检测这类着重于运动感知而不要求高精度背景减除结果的应用中，区域级模型是较为合适的背景模型。
针对区域级背景建模问题，本文采用对比度直方图作为图像区域的特征[6]，在此基础上利用稀疏子空间聚类获得特征的多子空间模型，以此作为背景模型，最后利用该模型完成视频的区域级背景减除。
1区域级背景减除方法
1.1总体框架
本文提出的方法包含3个部分：特征提取部分、区域级背景建模部分及前背景决策部分。
在特征提取部分，视频帧被分割成图像块，在每一个图像块上提取对比度直方图特征，将其输入到背景建模部分。
在背景建模部分，通过稀疏子空间聚类完成图像块特征聚类以及多个子空间的建立。
最后，对于新输入的视频帧，将分割后的每个图像块特征投影到各子空间，并以此来判断前背景。
1.2图像块对比度直方图特征提取
在根据一段视频序列构建背景模型时，首先需要将视频帧转换为灰度图像，然后进行图像块的划分以便于提取对比度直方图特征。
如图1所示，对输入的每一帧视频图像进行网格化操作，将图像分成8×8的图像块，以此形成图像区域的基本组成单位。
对于这些图像块，需要构造、提取表征图像块的特征，在特征基础上的分类确定了这些图像块是否可归类为背景或者前景。
在每一块图像块中，计算所有像素的平均灰度值。
p=∑64i=1pi64 （1）式（1）中，pi为该图像块中每个像素的灰度值。
图像块中每个像素灰度值都与灰度均值进行比较，根据比较结果将像素分为两个集合：正像素集P+和负像素集P-。
pi≥，pi∈P+
pi
1.3多子空间背景模型
对于视频帧上每个固定位置上的图像块，其随着时间的推移形成了特征序列{x1，
x2，…，xt}，因为这些特征可能描述了不同时间段内不同的场景，所以可以假设其分布在多个子空间上。
因此，采用稀疏子空间聚类方法对特征序列进行聚类[7]，其中，特征矩阵进一步分解为自描述项和噪声误差项，自描述项可以形成高度内聚的特征聚类，而噪声误差项可以用于解释动态前景变化，特征矩阵的分解过程如式（4）：minZ，EλZ1+EF，s.t. X=X·Z+E，
diag（Z）=0（4）其中，X=[x1，x2，…，xt]为特征矩阵，Z是算子矩阵描述了特征之间的关系，E为噪声误差。
令矩阵Z对角线diag（Z）=0可以去掉无意义的解。
借助于增广拉格朗日算法，对式（4）进行迭代运算可得算子矩阵Z，其确定了特征间的关系。
由Z可进一步获得特征的关联矩阵A，如式（5）。
A=12（Z+ZT）（5）在A上进行图切计算可得特征的聚类结果，在此基础上针对每个特征的聚类采用主成分分析方法构建相应的子空间，由此获得相应特征聚类的主成分{U1，U2，…，UC}（其中，C表示类的数量）。
1.4前背景决策
在视频序列中，相比动态变化的前景，背景变化相对较小，也更为稳定。
因此，在式（4）中，前景往往作为噪声误差项E先从图像中分离出来，对比度直方图特征的聚类则描述了背景特征的分布情况。
对于新输入的图像块特征xt+1，将其映射到各个聚类子空间中计算重构误差，由此可以判断其是否归属于某类背景。
基于此，前背景决策可由下式给出。
xt+1-UiUTixt+1≤Ti，xt+1∈Background
xt+1-UiUTixt+1>Ti，otherwise，i=1，2，…，C（6）其中，Ti是第i个子空间的重构误差阈值。
根据式（6），当该特征在某个子空间的重构误差较小，可将其归于某个背景类。
如果该特征在任意一子空间中投影的重构误差都超出阈值，则可将其判定为前景。
2实验结果与分析
为了验证本文提出的背景减除方法，分别在3个视频序列上进行了背景减除实验，实验结果如图2所示。
在Bootstrap视频序列中，运动人群形成了前景，本文方法能够对地板、前台等背景实施区域级的减除，同时尽可能地保留了运动人群的前景结果。
在Campus视频序列中，背景中的树叶细微运动形成了背景噪声，本文方法并没有因为受其扰动影响而产生背景噪点，仍然将树叶这些存在微小扰动的背景从视频帧中剔除。
在Curtain视频序列中，白色运动窗帘形成了扰动，本文方法通过多子空间可以较好地描述这类大面积背景的周期变化，从而避免了运动窗帘被分类为前景导致大面积背景减除误差的产生。
根据上述结果可知，本文算法的背景减除方法能够区分前背景，此外，其能够克服背景减除中常见的像素级噪点问题。
3结语
本文提出了一种基于对比度直方图特征子空间聚类的区域级背景减除方法。
通过图像块特征的稀疏子空间聚类构建了一组子空间作为背景模型，在此基础上根据特征在子空间的重构误差判断前背景，并最终实现了背景减除。
在视频上的背景减除实验证明了本文方法的有效性。
第7期姬鹤鹏：小波框架下模糊图像复原方法研究软件导刊2016年标题。