適應性門檻決定方式比較

表 3.3 中雖然可以看出應用提早終止技術在鑽石演算法上可以有很好的結 果，但是因為不同門檻決定的方式的結果沒有絕對的好壞差異，所我們利用在

3.2.1 節的分析方式來判斷那種門檻決定方式能在搜尋點數與均方和誤差中會有

較好的取捨。我們先將不同影像針對不同的門檻值作動作估測，也就是說先利用 手動的方式去定出許多不同的 T 值，利用此結果出找出理想的門檻值可能的位 置，在判斷哪種方式較接近那個位置以評估適合的適應性門檻決定方式。

圖3.8到圖3.11分別是是四段影像對於不同T值的搜尋點數與均方和誤差趨 勢圖，在圖3.9的Akiyo的影像中因為靜止背景的部分相當大，所以會有很明顯 的趨勢變化，而當計算量減少到一個程度才會出現均方和誤差大量上升，其它影 像雖然沒有那麼明顯的變化，但是也可以看出在趨勢線的斜率會在計算量減少到 一定程度時有急速改變，這證明了減少同樣數量的計算量所付出的代價會隨當時 計算量的值而不同。在我們所設計的門檻決定方式中，很明顯的在計算量上能比 用鄰近區塊預測的方式（adjacent block）要節省得多，而且均方和誤差的增加也 相當有限，而在這其中幾種門檻決定方式以取中位數的方式對均方和誤差的影響 最小，但是這種方式節省的計算量比去掉零以外的 SAD 值取平均值的方式要 差，當然可以看得出門檻決定方式（3-6）是可以得到接近趨勢斜率變化的那一 個區段的門檻值，這在四段影像中都能看到這樣的情況，這就是我們所希望的高 適應性特質，在這四段影像中不管是物件的移動方向、速度與畫面的複雜度都有 相當大的差異性，所以這樣的結果證明我們所得到的門檻決定方式能有相當好的 適應能力，已經不需要再利用乘上係數或加上係數的方式來決定門檻值。

而且考慮到在硬體上（3-6）這個方式遠比取中位數的方式要容易實現，所 以接下來的硬體實現移動估測演算法中，我們便是以這個方式作為提早終止技術 的判斷機制。雖然以後所使用的門檻值都是從零以外的數值取平均值而產生的，

但是不代表取中位數（3-5）的決定方式不適用提早終止技術，只是在硬體實現 上會造成過多額外負擔，但是在均方和誤差百分比的增加上，用此方式可以抑制 誤差在相當小的量上，而每一張畫面才計算一次門檻值在軟體執行上也不會增加 過多計算量，所以（3-5）的決定方式仍有其價值。

3.805

550000 575000 600000 625000 650000 675000 700000 725000 750000

total search pionts

MSE

1150000 1350000 1550000 1750000 1950000

total search pionts

MSE

75

1500000 1750000 2000000 2250000 2500000 2750000 3000000

total search pionts

MSE

1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000

total search pionts

MSE