區域擴增演算法的改進

在2.1.1節中我們在區域擴增時要求相似度限制，使得有些點會部屬於任何區 域，如圖 4-11紅色框中黑色的部分，這是由於我們一開始給予的種子間距不夠密集，

而使得沒有任何一個種子落於這些區域內，因此要是希望切到這些區域就得給予更 小的種子間距。但是我們無法預期每一張影像需要多小的種子間距才夠，而在物體 很大的部分（如月曆的部分）給予太小的種子間距只會造成區塊數增加，而使得區 塊合併時的運算量增加。因此我們希望一開始給予較大的種子間距，再將未被標示 區域的面積比例來動態調整種子的間距。

圖 4-11 有限制的區域擴增結果。

如圖 4-12(a)所示，一開始的種子間距較大，在進行區域擴增演算法之後，假設 所獲得的區域如圖 4-12(b)，此時格子中有很多地方是不屬於任何區塊的，因此我們

再將格子分成四塊，然後對每一個格子去計算已被區塊涵蓋的面積比例，如圖 4-12(c)，我們對面積比例取一個門檻，如果未超過門檻值則在格子點的中央再放置 新的種子，但是如果中央的那一點已屬於某個區塊則不放置種子。當 1/4 格子大小 的種子放置完畢之後，我們再次做區域擴增演算法，但是不重新判斷那些在上一輪 已經加入別的區塊的點，以此加快執行的速度。之後我們重複將格子切得更小，如圖 4-12(d)，直到格子小於我們可以接受的程度。

5% 8%

78%

45%

(c)

(d) (a)

(b)

圖 4-12 種子位置示意圖。

圖 4-13是動態種子的區域擴增結果，(a)圖為種子間距 64 個點（pixel），我們可 以看到比較大塊而平坦的區域在這時候已經整個擴張完畢。在(b)中將種子間距降為 32 個點，由於我們並未更動(a)中區域擴增的結果，因此我們還可以在(b)中看到(a) 的那些區塊，至於(c)和(d)分別是再將種子間距降為 16 和 8 個點。最小的種子間距 和之前一樣，但是和之前的結果相比，如圖 4-13(e)，由於動態增加種子的機制使得 區塊不再細碎，甚至和舊方法進行區塊合併之後的結果相比（圖 4-13(f)），也並未 遜色太多，因而我們可以省略合併的步驟，直接利用時間上的整合方法達到差不多 的追蹤結果，如圖 4-14。

雖然動態給予種子的區域擴增演算法能夠省略區塊合併的運算量，卻因為大面 積的區域擴增時造成階層數很大，亦即離種子很遠的點需要走很多步才能加入，而 使得區域擴增的運算量變大，損益相抵使得新的方法並未比舊的方法快上多少，未 來也許能夠改進區域擴增演算法來提高運算的速度，也許時間上就能超越舊的方法。

(a) (b)

(c) (d)

(e) (f) 圖 4-13 動態給予種子的區域擴增結果。

圖 4-14 原圖(左)、時間和空間整合方法用相似度追蹤方法(中)和動態給予種子的區域擴增 與時間整合以相似度追蹤方法(右)，所得之結果。

4.5 總結

在本章中我們試著對三種區塊切割方法和兩種追蹤方式所做出來的結果進行量 化分析，試圖從中找到我們認為時間和空間整合方法能夠穩定追蹤的事實。此外，

我們嘗試了其他的切割方法，第一種是將區塊擴增演算法改為相似的分水嶺演算 法，第二種則是改變區域擴增演算法給種子的方式，並分析其中的差異及優缺。期 待能找到更適合我們應用的切割方法。

第五章 結論與未來工作

在本篇論文當中，我們提出了一個不需計算移動向量而能持續追蹤區塊遞移的 方法，我們延伸基本的區塊擴增演算法，透過控制種子的位置及整合不同種子位置 的切割結果來達到單張影像的最佳化，為了在時間方向上延續較好的切割結果，我 們採用時間回饋（feedback）的方式，將前一張的區塊切割結果與目前的區塊擴增 及合併結果做整合，使得區塊的合併不易受到區塊擴增演算法結果的優劣干擾。而 在追蹤的部分，我們採取較為直觀的判斷方式，利用連續影像物體變動不大的特性，

以區塊在位置上的涵蓋的比例，找出可能的同物體區塊。再透過區塊在色彩上的特 徵判斷出相對應的區塊。

我們嘗試使用動態給予種子的方式來增進切割的效率，但卻因為區域擴增演算 法的限制使得效率並未大幅增進，若能提出更好的區域擴增運算架構，就能將我們 系統的複雜度大幅提昇。此外，在我們提出的方法中，是對整張影像的區塊進行追 蹤，放置種子的位置也是單純的取格子點左上角或是中心，在接下來的工作中，可 以嘗試在一開始定義出一些特定的區塊，使得之後種子的位置能隨之更動，降低遺 失區塊的可能性。

我們也提出了一個判斷新出現區塊的方法，但是這樣的判斷並不是絕對正確，

經常將一些因為區塊切割不穩定而為追蹤到的區塊認為是新的區塊，若是這些曾經 遺失追蹤的區塊在找回來之後還能持續追蹤一段時間也是不錯，只是這些變動很大 的區塊經常只能出現在一兩張影像中。因此在之後的工作中，如何能正確的判斷出 新出現的區塊也是很重要的課題之一。

參考文獻

[1] R. Adams and L. Bischof, “Seeded region growing,” IEEE Trans. Pattern Anal.

Machine Intell., vol. 16, no. 6, pp. 641–647, 1994.

[2] F. Meyer and S. Beucher, “Morphological segmentation,” J. Vis. Commun. Image Rep., vol. 1, no. 1, pp. 21–46, 1990.

[3] F. Meyer, “Color image segmentation,” in Proc. IEE Int. Conf. Image Processing and its Applications, The Netherlands, pp. 303–306, 1992.

[4] J. M. Gauch, “Image segmentation and analysis via multiscale gradient watershed hierarchies,” IEEE Trans. Image Processing, vol. 8, pp. 69–79, 1999.

[5] H. Gao,W.-C. Siu, and C.-H. Hou, “Improved techniques for automatic image segmentation,” IEEE Trans. Circuits Syst. Video Technol., vol. 11, no. 12, 2001.

[6] S. E. Hernandez, K. E. Barner, and Y. Yuan, “Region merging using homogeneity and edge integrity for watershed-based image segmentation,” Optical Engineering, vol.44, no.1, 2005.

[7] K. Haris, S. N. Efstratiadis, N. Maglaveras, and A. K. Katsaggelos, “Hybrid image segmentation using watersheds and fast region merging,” IEEE Trans. Image Processing, vol.7, no.12, 1998.

[8] D. Koller, K. Danilidis, and H. Nagel, “Model-based object tracking in monocular image sequences of road traffic scenes,” Int. J. Comput. Vis., vol.10, no.3, pp, 257-281, 1993.

[9] D. Wang, “Unsupervised video segmentation based on watersheds and temporal tracking,” IEEE Trans. Circuits Syst. Video Technol., vol.8, no.5, pp.525-538, 1998.

[10] N. Peterfreund, “Robust tracking of position and velocity with Kalman snakes,”

IEEE Trans. Pattern Anal. Machine Intell., vol. 21, no. 6, pp.564–569, 1998.

[11] D. Beymer, P. McLauchlan, B. Coifman, and J. Malik, “A real-time computer vision system for measuring traffic parameters,” in Proc. Computer Vision and Pattern Recognition (CVPR), pp. 495–501, 1997.

[12] A. Cavallaro, O. Steiger and T. Ebrahimi, “Tracking video objects in cluttered background” IEEE Trans. Circuits Syst. Video Technol., vol.15, no.4, 2005.