影像之訊息變化量

4.1 訊息統計之簡介

此研究利用 Entropy 的方法，來取得影像的訊息變化量。而 Entropy 的 概念最早在 1864 年首先由 Rodolf Julius Emanuel Clausius 提出，並應用於熱 力學中，代表系統中能量混亂的程度。後來在 1948 年由 Claude Elwood Shannon 引入到資訊理論，根據某載體中基本單位出現的機率

P

此論文根據 Yu-Kumg Chen et al.所實驗的方法，進一步的研究與改善。

如下列的式子(4-1,4-2)所示，M、N 表示影像之長與寬，在計算灰階值之熵 時，n_i則表示灰階值為 i 的像素點數目；而在計算水平投影量之熵值，n_i表 示第 i 個列(row)上的前景像素點的數目；在計算垂直投影量之熵值，n_i表示 第 i 個行(column)上的前景像素點的數目。分別計算影像中灰階值、水平及 垂直分佈的資訊量，並採用所得的熵作為特徵值。當影像內容有改變時，

其值也會跟著有所變化。利用灰色理論所預測出來的門檻值(threshold)，來 判斷影像是否發生變化並區分變化的種類。

MN

P

= n

∑

−

=

i

i i

f

P P

H

1

log

以下將分成兩個部分來做討論與研究，一為灰階值上的資訊量計算，

另一是像素點在平面分布上的資訊量統計。然後藉由這些統計的數據計算 熵值並則建立區分事件的決策模型。

4.2 影像中灰階值的資訊含量

對於影像中灰階值的資訊蘊含量，在此針對低通濾波後的灰階影像來 探討。主要是要將以 RGB 表示的彩色影像，轉換為灰階影像，如前面第 3.1 節所敘述的。因灰階影像的資料每一個像素點只需一個位元組（Byte），比 起 RGB 彩色影像中每一個像素點需要三個位元組來表示，不管是影像儲存 空間或者是影像處理的運算量都減少許多。使用式子 3-1 進行色彩轉換並 使用 Y 值作為灰階值，然後統計出各灰階值出現的頻率，再使用式子(4-1) 來計算熵值。

如圖 4-1 所示，在 50 張測試影像中，當測試環境中沒有大幅變動時，

熵值分布在某一固定範圍；由此統計出熵值變化的幅度，作為設定門檻值 時上下邊界的依據。

圖 4-1 影像中灰階值的熵值

4.3 影像中的像素點在空間上分布之訊息含量

像素點分布位置可用以表示影像中的物件，故影像中物件的位置訊息 含量，可藉由影像作邊緣偵測處理後，針對物件輪廓上的像素點的數目作 資訊含量的統計。在此對於邊緣偵測後的影像，主要也分成水平與垂直兩 個部分來探討及研究。

經實驗發現影像邊緣偵測易受雜訊干擾，為去除了不必要的雜訊提高 影像邊緣偵測的穩定性，故採用經低通濾波後的灰階影像進行空間分佈的 統計。首先對水平方向投影的數量作統計，根據統計影像中各列所出現的 白點數量，接著利用計算後的數據，來計算影像的訊息變化量(圖 4-3)；接 下來，針對垂直方向投影的數據來做計算，也是先統計影像中各行所出現 的白點數量，將此統計資料表示如圖 4-5 所示。

圖 4-2 低通濾波後影像之邊緣偵測的水平投影直方圖

圖 4-3 低通濾波後影像之水平投影的熵值

圖 4-4 低通濾波影像之邊緣偵測垂直投影直方圖

圖 4-5 低通濾波後影像之垂直投影的熵值

為適應動態影像中的局部細微異動，每個畫面(frame)中熵值的門檻範 圍須動態的加以調整，以判斷 是否落於穩定的區間，故採用灰色預測理論，

根據過去畫面中的熵值來預測下一畫面可能之門檻範圍。