1、精選優質文檔-傾情為你奉上EBMA算法實驗報告一、實驗內容以任一視頻的兩幀圖像為輸入，通過EBMA算法，計算運動矢量、運動補償誤差等數據。2、 實驗原理塊匹配算法是一種重要的基于塊的運動估計算法。基于塊的運動估計算法是在已估計的運動場上施加平滑約束，把圖像分割為互不重疊的稱為塊的區域，并且假定每個塊內的運動可以用一個簡單的參數模型（如恒定、仿射、雙線性）特征化。塊匹配算法的原理即是，以視頻中的兩幀圖像為輸入，假設為第K幀（當前幀）與第K-1幀（上一幀）。對當前幀圖片以N*N的圖像塊為單位，分成一個個塊，且塊間不重疊。對于第x個圖像塊A，在第上一幀中，尋找與它最匹配的圖像塊A'，我們認為

2、A圖像塊是由A'圖像塊平移而得到的。于是就把圖像塊A'到A的運動矢量MV記作圖像塊A的運動矢量。其原理圖如下圖所示：一般通過絕對平均誤差函數來進行匹配：全搜索的塊匹配算法是一種塊匹配的搜索策略，是最簡單、最原始的塊匹配算法，可靠且能夠得到全局最優的結果。其基本思想是在一個預定的搜索區域內，將第m個圖像塊與目標幀中所有候選塊進行比較，并尋找具有最小誤差的一個，這兩個塊之間的位移差即為所估計的運動矢量。全搜索塊匹配算法，假設圖像的搜索范圍為(-R,R)，為了減少計算量，設置搜索步長為1。在范圍內，對每一個可能的圖像塊都進行匹配計，尋找一個最優的匹配塊。對每個塊，需要搜索次，則對每幀

3、圖像需要搜索的次數為。3、 實驗內容輸入視頻中的兩幀圖像，以當前幀圖像作為錨定幀，需要預測的下一幀圖像作為目標幀，將其大小規定為256*256，并將其轉化為灰度圖像：對錨定幀圖片，進行分塊，取塊大小為16*16。設置圖像的搜索范圍為（-16,16），步長為1。對目標幀在圖像的搜索范圍內搜索并計算MAD值，比較各塊MAD值得大小，找到MAD值最小的當前塊在錨定幀中的最優匹配快，并保存相應的運動矢量：通過得到的運動矢量圖以及目標幀預測估計當前幀圖像，并計算殘差：其運動補償誤差為26.4406。4、 結果分析可以看出，預測幀的圖像更加接近當前幀的圖像。EBMA算法較為簡單，可以減少視頻中相鄰幀之間的

4、數據冗余，提高視頻圖像質量。但計算量較大，耗時長，且從預測圖像中很容易看出，會產生分塊現象。5、 附錄A=imread('1.bmp');%讀入圖像B=imread('2.bmp');f2=rgb2gray(A);%將圖像轉換成灰度圖像f1=rgb2gray(B);%將圖像轉換成灰度圖像fp=0;f1 = imresize(f1,256,256);f2 = imresize(f2,256,256);figure,imshow(f2),title('目標幀');figure,imshow(f1),title('錨定幀') N=16;

5、R=16;height=256;width=256; for i=1:N:height-N+1for j=1:N:width-N+1 MAD_min=256*N*N;dy=0;dx=0;for k= -R:1:R for l= -R:1:R if i+k<1 MAD=256*N*N; elseif i+k>height-N MAD=256*N*N; elseif j+l<1 MAD=256*N*N; elseif j+l>width-N MAD=256*N*N; else MAD=sum(sum(abs(double(f1(i:i+N-1,j:j+N-1)-double

6、(f2(i+k:i+k+N-1,j+l:j+l+N-1); endif MAD<MAD_minMAD_min=MAD;dy=k;dx=l;end;end;end; fp(i:i+N-1,j:j+N-1)= f2(i+dy:i+dy+N-1,j+dx:j+dx+N-1); iblk=floor(i-1)/N+1); jblk=floor(j-1)/N+1); mvx(iblk,jblk)=dx;mvy(iblk,jblk)=dy; end;end;row,col=size(f1);fp = imresize(fp,row,col)figure,imshow(uint8(fp),title('預測幀'); X,Y=meshgrid(N/2:N:256-N/2);Y=256-Y;figure,quiver(X,Y,mvx,mvy),title('運動矢量圖'); diff=abs(double(f1)-fp);figure,imshow(uint8(d