5.6.2 运动检测和特征提取
由于缺乏结构信息和独特的特征，外来颗粒很容易被误认为灰尘或其他干扰。然而，粒子在移动，当它们通过一组像素时，这些像素的值会突然变化，如图5.39所示，而其他类型的像素的变化会随着时间的推移而稳定。也就是说，序列图像中粒子像素的值具有较大的脉冲形状的方差，而背景像素的方差较小。此外，粒子通过像素时会出现一系列的脉冲，如图5.39所示，偏离图像是每幅图像的偏差偏离连续L 图像的平均值的累加，即为式(5.27)和式(5.28)的灰度值[43][44]。
其中fk+i(x，y)为图像预处理后Fk+i(x，y)中点(x，y)的灰度值，为连续L 帧中点(x，y)的平均值，dk(x，y)为偏差图像中点(x，y)。在图5.40中，可以清楚地看到外来粒子由于运动的连续性而产生一系列连续的脉冲，而噪声则没有。
图5.39 连续图像中像素的变化图
5.40 连续5幅图像的偏移映射(https://www.daowen.com)
因此，在正确聚集的情况下，根据粒子的运动轨迹来区分粒子与噪声是合理的。如前所述，通过偏移图像可以检测外来粒子与背景的相对运动，然后提取运动目标(包括粒子和噪声)。本节采用迭代阈值算法[25]对偏移映射进行分割，见图5.41。然而，结果并不令人满意，因为物体周围有一些小故障或目标内部有小洞。为了解决这一问题，我们采用数学形态学方法[26]，将目标内部的孔洞合并，同时对边界进行平滑，见图5.42。此外，为了识别序列图像中的同一粒子，需要对二值图像中的每个潜在目标(外来粒子候选)进行标记，并提取它们的不变性。本节选择的属性包括：时间标签、坐标和面积。其中时间标签，将来自同一幅图像的目标标记为同一时间标签，如图5.43所示，相同颜色的目标具有相同的时间标签。对象i的坐标(xi，yi)。两个目标的相似度可以通过它们的坐标来测量外来粒子的面积，在序列图像中不会有很大的变化[45][46]。从连续的L 图像中提取的潜在目标是第5.6.1节中需要使用聚类算法进行划分的数据点，所以5.6.3节中提到的数据点都是指潜在目标。在第j幅图像中得到的数据点表示为
，nj为起始下标，Nj为结束下标。目标是逐帧提取的，这就是为什么它们的下标是连续的。连续的L 图像得到的数据点表示为
。
图5.41 DM 分割图
图5.42 数学形态学方法图
图5.43 时间标记图
