本研究的實驗環境為 Windows 8.1 64 位元系統、Intel Core i3-4160 處理器、
4GB 記憶體、MATLAB 2016a 以及第二代 Kinect 感測器。本實驗透過使用彩色 資訊(RGB)以及深度資訊(D)，再搭配超像素(Superpixel)方法以及所提出的區塊 合併方法將影像中物體區域分割出來。以下我們拿五個影像作為範例，測試幾種 合併的方式：最典型的作法就是對深度資料取平均值(Mean)，此外還包括中位數 (Median)、四分位數(Quartile)等方法。最後則加入彩色資料在不同的情況下使用 深度及彩色不等的百分比作為更精確的合併依據。實驗中分割的塊數設定為 400，
實驗資料來源為自行使用第二代 Kinect 拍攝與 NLPR RGBD 資料庫[14]所提供，
實驗結果如圖 10~圖 14。
圖中的實驗結果是以能夠分割出物件最大的範圍為基準，例如圖 14 是以能 夠分割出火車所在的區域為原則進行實驗，從實驗中可以看到火車的深度值與桌 面的深度值是相接近的，所以無法單純使用深度值來進行合併的動作，必須加入 彩色資訊，加入彩色資訊的結果絕大多數的區塊都可得到不錯的合併結果。但因 為畫面中的顏色較為豐富，造成得到的結果有許多不是我們想要的部分，所以必 須降低顏色的權重，最後得到最好的深度與彩色的比重是 0.75：0.25。
23
原圖 深度圖
深度取平均值 深度取中位數
深度取四分位數 深度與彩色 1 : 0
深度與彩色 0.75 : 0.25 深度與彩色 0.5 : 0.5
深度與彩色 0.25 : 0.75 深度與彩色 0 : 1
圖 10、實驗結果一
24
原圖 深度圖
深度取平均值 深度取中位數
深度取四分位數 深度與彩色 1 : 0
深度與彩色 0.75 : 0.25 深度與彩色 0.5 : 0.5
深度與彩色 0.25 : 0.75 深度與彩色 0 : 1
圖 11、實驗結果二
25
原圖 深度圖
深度取平均值 深度取中位數
深度取四分位數 深度與彩色 1 : 0
深度與彩色 0.75 : 0.25 深度與彩色 0.5 : 0.5
深度與彩色 0.25 : 0.75 深度與彩色 0 : 1
圖 12、實驗結果三
26
原圖 深度圖
深度取平均值 深度取中位數
深度取四分位數 深度與彩色 1 : 0
深度與彩色 0.75 : 0.25 深度與彩色 0.5 : 0.5
深度與彩色 0.25 : 0.75 深度與彩色 0 : 1
圖 13、實驗結果四
27
原圖 深度圖
深度取平均值 深度取中位數
深度取四分位數 深度與彩色 1 : 0
深度與彩色 0.75 : 0.25 深度與彩色 0.5 : 0.5
深度與彩色 0.25 : 0.75 深度與彩色 0 : 1
圖 14、實驗結果五
28
在圖 10 中，由於桌子與地板的深度值十分接近，如果只靠深度資訊來做判 斷，無論是取平均值、中位數、增加 Q2的比重都無法精確區分桌子與地板的部 分。加入彩色資訊來輔助判斷後，確實可將最難的桌子與地板部分分離出來。但 為了避免受到背景花紋的影響，也不能給予彩色資訊太大的權重，因而得出最好 的深度與彩色的比重是 0.75：0.25。
圖 11 的深度圖中，白色的部分即是空洞。從結果圖中可看到，如果對深度 取平均值的作法會因空洞的影響而造成許多區塊沒有被合併，這時我們看到取中 位數或者提高 Q2的比重，能夠有效減少空洞對合併條件造成的影響。
圖 12 則因影像色彩的對比度較大且顏色較為單調，加上深度值的差異較為 明顯，我們可以看到加入顏色資訊來做判斷的結果，絕大多數比重所得出的結果 都是相當不錯，這也證實了本文對於顏色的處理方式是可行的。
圖 13 中，長板凳的深度值與地面差異較大，加上畫面中有許多的小石頭放 置在長板凳周圍，因而產生較為複雜的顏色變化。可以看到實驗中加入彩色資訊 所得到的結果都受到小石頭的影響分割出許多不必要的區塊，反而深度值的比重 愈高，所分割出來的影像品質愈好，適合使用深度作為合併的標準。
到目前為止，很難找到單一方法能夠針對所有情況進行完善的分割處理，本 文採用調整權重的方式來處理不同場景，給予一個有效且效果合宜的解決方法，
閥值的範圍落在 85±10 之間，最好的比例為 0.75：0.25。
29