第二章 影像切割之探討
2.1 以區塊擴增演算法為基礎
由於區塊擴增演算法是以種子（seed）的數目控制最終區塊的數目，區塊數目 太多可能使得追蹤、比對上花費大量的時間，數目太少則可能使得區塊跨過物體邊 界，使得切割結果不佳，如圖 2-1(a)紅色框中所示。經過我們測試的結果，這系列 的影像採用種子間距為 8 個點時能有較好的結果，如圖 2-1(b)，因此在之後的部分，
我們皆採用種子間距為 8 個點來切割。
(a) (b) 圖 2-1 種子間距之比較，(a)間距為 16 個點，(b)間距為 8 個點。
在我們希望以區塊作為超點的目標下，如果每張圖能夠形成大小相似、區塊總 數差不多的結果，則對於作為超點之表示方式應該是比較好的結果。因此，我們將 過去的方法延伸，在每一張影像中放置均勻的格子點，以這些格子點為中心向鄰近 點中，色彩距離最接近的點開始擴張區塊，希望能得到類似格子點但形狀更逼近物 體的結果。
2.1.1 以點為主的區塊擴增
在過去的區塊演算法中，每一次都納入有最小色彩距離δ( x)的點，然後一直到 所有點都計算過，且加入某個區塊為止。這樣的作法能讓每個區塊都是封閉且完整 的，如原始影像圖 2-2區塊擴增後的結果如圖 2-3(a)，其中有相同顏色的部分代表屬 於相同的區塊。但是如果有一些雜訊點或者是邊界的部分被勉強加入，將會影響到 整個區塊的色彩平均值或變異量，對於我們後處理時的合併或是追蹤，都有造成誤 差的可能。
圖 2-2 原始影像。
這時候比起區塊是否完整和封閉，我們更重視在區塊中的點是否非常相似，故 我們以點為主優先考慮區塊的相似性，每一次加入之前對判斷式取一個門檻
（threshold），如果δ( x)大於這個門檻，則不加入任何一個區塊中，因此我們可以將 區塊擴增演算法中可加入區塊的候選點改為：
( )
⎭⎬⎫ 的，概念上是用 red、green、blue 三原色的組合來表示各個色彩。另外還有其他跟 RGB 模型概念不同的色彩模型，例如 HSI 是將色度（chrominance）和亮度（luminance）分開的一種色彩模型，在 1-2 節相關研究中曾提到，一般在色彩切割時若採用色度
觀察，而不同於 RGB 色彩模型是將色彩的色調、飽和度、亮度等資訊混合在一起，
圖 2-3是兩種色彩模型的區塊擴增演算法之結果，(a)是RGB色彩模型，我們可 以觀察到其結果在一個物體內可能較為細碎，如紅色框標示處，但是對於右下角的 火車RGB的表現則比(b)HSI的結果好，是因為HSI在I值極小時H、S的變動可能很大 而造成誤判，故在I值極小時我們必須忽略H、S的變動。
(a) (b)
圖 2-4 色彩模型不同對區塊擴增演算法的比較，(a)RGB 色彩模型，(b)HSI 色彩模型。