【摘要】：但是从分割的数据显示，如图2．9和图2．11，用ICM迭代算法要比Metropolis迭代算法所用的时间长，计算工作量大，对于动态的视频图像而言，分割的时间越短效果会更好。通过上述模拟实验结果显示，ST－MRF模型能够较好地从复杂背景中分割出运动目标，但是仍然有很多问题需要继续研究。最后得出的运行时间要比ICM少得多，有利于动态的视频图像分割。
图2．13所示的两幅图，像素大小分别为627×461、643×466，都分为5类，分割结果图如图2．14所示。从图上可以看出用ICM和Metropolis两种迭代方法对静态的图像进行分割的效果差不多。但是从分割的数据显示，如图2．9和图2．11，用ICM迭代算法要比Metropolis迭代算法所用的时间长，计算工作量大，对于动态的视频图像而言，分割的时间越短效果会更好。
图2．13 待分割的图像
图2．14 ICM和Metropolis两种迭代方法分割结果比较图
通过上述模拟实验结果显示，ST－MRF模型能够较好地从复杂背景中分割出运动目标，但是仍然有很多问题需要继续研究。首先最重要的问题就是运算时间长，这是因为模型的参数估计比较复杂，导致参数估计需要耗费较多的计算时间，结果会影响整个的图像分割时间。为了提高运算的速度，在Metropolis迭代算法中，根据实验经验加入了人工选取，即根据图像的特征加以调整。最后得出的运行时间要比ICM少得多，有利于动态的视频图像分割。另外ST－MRF只是视频图像的分割算法，这种算法不能对长时间相互遮挡的车辆进行分割，这种长时间遮挡包括两种情况：第一种遮挡是车辆与车辆之间的相互遮挡，这种遮挡可以通过倒退时间的方法解决，在第3章将会解决这个问题；另外一种遮挡是车辆的阴影，为了解决这一问题，可以先用车辆模式识别方法得到车辆的正确区域（由于模式识别是比较复杂的问题，特别是在不同环境条件下，对车辆作出正确判断，这部分工作将作为后续研究内容），然后把这一结果反馈给ST－MRF模型，在得到正确的信息后，ST－MRF能对背景和前景进行准确分割。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
