對于一個專案，我使用中值背景估計實作了簡單的背景減法。結果還不錯，但經常移動的物體（我的測驗示例中的人）被切割成不相連的斑點。
我嘗試在前景蒙版上呼叫打開和關閉操作（我洗掉了關閉操作，因為它似乎不會改善結果）以改善結果，這在一定程度上起作用。但是，我想知道是否有更多方法可以改善前景蒙版。它離基本事實還有一段距離。
我知道玩弄門檻本身也是一個可行的解決方案，我也確實玩過。話雖如此，我專注于將噪音降至最低。我也嘗試過自適應閾值化，但對于這個用例來說，這看起來不太有希望。
沒有打開：
隨著開幕式：
與實際實施相比，我更愿意尋找通用方法。
背景扣除的偽代碼
灰度所有影像。
通過計算所有影像子集中每個像素的每個 r、g 和 b 值的中值來進行背景估計。
然后拍攝每張影像并計算該影像與背景估計之間的絕對差值。
應用閾值以獲得稱為前景掩碼的二進制結果
使用opencvs打開操作一次。
uj5u.com熱心網友回復：
我喜歡灰度簡化。簡單就好。我們應該讓一切盡可能簡單，但不能更簡單。
讓我們暫時攻擊您的模型。一個邪惡的服裝設計師和一群時裝模特讓他們從你的相機前走過，每個人都穿著一件比前一件略深的紅色襯衫。與中值像素值相比，至少有一個模型在您的某些背景像素下是“不可見的”，具有匹配的陰影和匹配的照明。重復一組綠色襯衫，然后是藍色。
如何解決這個問題？在每個通道中計算中值紅色、中值綠色、中值藍色像素強度。在推理時，計算三個絕對值差。這些增量的最大值的閾值。
對傳感器 R、G、B 的計算非常簡單。人類感知與 H、S、V 更接近。考慮計算這三個或所有六個的最大增量。
對于每個背景像素，計算整個視頻或一分鐘時間段的期望值和方差。現在，在推理時，方差會告知您的閾值決策，從而提高其準確性。
例如，一些像素可能具有恒定的光照，其他像素會隨著太陽的移動而緩慢變化，而另一些像素則在風吹動植被的葉子時非常嘈雜。方差可以讓你很自然地捕捉到這一點。
要獲得更強大的建模方法，請使用光流。 https://docs.opencv.org/3.4/d4/dee/tutorial_optical_flow.html
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/535512.html
標籤：Python打开简历