(1)熵图。
昆虫具有由成千上万的小眼组成的复眼结构，它们通过全部小眼所观测到的场景组成一幅全景。被各小眼捕获的光子越多，强度等级越高，生物的对比敏感度越高［107］。对于一幅M × N 图像，点 ( i，j )灰度值f ( i，j )表示为在抵达该点的光子数。在信息熵中，为防止图像对比度混乱，函数y = －xlogx 中变量x 被乘以1/e，它保证函数在区间 [0，1/e ]单调递增。也就是说，获得光子能量越多，则图像强度越大，它的信息熵越大;反之，获得光子能量越低，则图像强度越低，信息熵越小。它保证了与原始图像的对比度相一致。于是对于f ( i，j )概率密度函数用ρ ( i，j )表述:
每个小眼所观测到的景观只是全景的子块，相邻的子块彼此重叠。最经典的视觉注意模型之一Itti 模型，它依据输入图像中的各类特征，如颜色、形状、亮度与方向，通过中央周边操作算子和高斯金字塔形成各个特征的关注图，然后归一化组合得到显著图。根据生物观察实际特性，越接近生物显著区的信息越应当突出。这与Shannon 信息熵平均加权有所不同，但它更符合视觉观察特性。通过采用高斯加权的方式，其信息熵的具体表达式为:
其中G(i，j)表示高斯加权系数，P ×Q 表示图像局部窗大小。如果信息熵被利用来度量每个子块的强度信息，一幅熵图将建成。这个过程相当于用一模板从左至右，从上到下平移图像。以5 ×5 大小，标准偏差0.5 的高斯模板为例，具体参见表5.3。
表5.3 5 ×5 高斯模板
(2)熵流。(www.xing528.com)
依据上述部分，图像由亮度模式变换成熵模式。光流是空间运动物体在观测成像面上的像素运动的瞬时速度，利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的运动。类似光流，将物体在空间的三维运动投影到熵图平面上，它反映出物体的运动信息，将运动信息称为熵流。
熵流的计算源自于光流的数值分析。分析图像序列相邻帧运动的基本前提是在短时间内待处理的图像区域运动到新位置时其灰度保持不变。根据这一特点，在熵图序列中瞬间熵值保持不变。对于小的移动场，我们可以使用一阶泰勒展开约束熵流方程:
其中∇T 表示空间熵值梯度，V =(k，q)表示为熵流，t 表示时间变量。毫无疑问，两个运动分量k、q 的解不能通过单一方程(4.18)求解。采用常量约束或仿射变换约束图像局部区域，使用Lucas ＆ Kanade(LK)方法［68］求解光流，最小化能量泛函求解熵流［64］。依据(5.19)式:
得到:
其中:
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
