摘 要：將視頻處理成相關數據，首先參考關鍵幀求取的方法將視頻進行分割提取，然后進行圖像灰色處理，減少圖片信息量，再進行圖像除噪，提高圖片信息精準度，最后進行邊緣提取，減少了需要處理的數據量。
關鍵詞：關鍵幀提??；灰色處理；圖像除噪；邊緣提取
1.關鍵幀自動提取
視頻鏡頭分割和關鍵幀提取是視頻檢索的核心。首先，通過結合直方圖交集及非均勻分塊加權的改進直方圖方法，根據視頻內容將視頻分割為鏡頭；然后，利用基于像素的幀差法，對得到的檢測鏡頭進行二次檢測，優化檢測結果；最后，在顏色空間的基礎上，計算鏡頭內每幀的圖像熵，從而確定關鍵幀序列。
基于關鍵幀的視頻摘要是視頻檢索的有效手段，將選定的關鍵幀作為視頻摘要[8]以幫助高效地認知和理解視頻的基本內容。與原始視頻相比，關鍵幀序列由于只是部分視頻幀，因此所需的存儲空間要小很多，從而減少了視頻摘要的傳輸時間，提高了視頻檢索的效率。
（1）計算相鄰兩幀直方圖的交集，并與設定閾值進行比較，以判斷是否發生鏡頭變化。設定直方圖相似度閾值的取值范圍為0.75～0.95，并由大量實驗得知當閾值設為0.9時，該方法綜合效果最優。
（2）對于（1）所得結果，利用幀間灰度/顏色差值進行鏡頭邊界的二次檢測。結合非均勻分塊加權（分為9塊，中心部分所占比例最大，且權值和為1）的方法，計算每塊像素差值并與預設的分塊幀差閾值，作比較以進行標記；而后對每塊的標記變量加權求和，并與設定的分塊加權閾值進行比較，以判斷是否發生鏡頭變化。
（3）考慮到強烈光照變化的情況，本文將幀數小于20的鏡頭劃歸到上一個鏡頭中。
（4）計算鏡頭內每幀的圖像熵值，從每個鏡頭中提取綜合圖像熵最大的幀作為代表該鏡頭的關鍵幀。
熵值法提取的關鍵幀可以更好地代表視頻內容，且關鍵幀分布也最為均勻。本文采用的綜合法對直方圖法中幀間差異的計算進行了一定的改進，結合了非均勻分塊加權的思想，利用幀差法對所得結果進行了二次檢測，并考慮到可能出現的強光對鏡頭檢測的影響，在沒有顯著增加時間及計算復雜度的同時，使鏡頭的準確率有了一定程度的改進，從而提升了關鍵幀提取的精確性。從而為順利進行后續的視頻檢索工作奠定了良好的基礎。
2.灰度處理
將彩色圖像轉化成為灰度圖像的過程稱為圖像的灰度化處理。彩色圖像中的每個像素的顏色有R、G、B 三個分量決定，而每個分量有255個值可取，這樣一個像素點可以有1600 多萬的顏色的變化范圍。而灰度圖像是R、G、B 三個分量相同的一種特殊的彩色圖像，其一個像素點的變化范圍為255 種，所以在數字圖像處理種一般先將各種格式的圖像轉變成灰度圖像以使后續的圖像的計算量變得少一些?；叶葓D像的描述仍然反映了整幅圖像的整體和局部的色度和亮度等級的分布和特征。
灰度化原理?；叶葓D像矩陣元素的取值范圍通常為[0，255]。因此其數據類型一般為8位無符號整數，這就是人們經常提到的256灰度圖像?！?”表示純黑色，“255”表示純白色，中間的數字從小到大表示由黑到白的過渡色。
我們在對圖像進行分析處理時，需要完成1）讀取數字圖像的基礎數據2）對灰度值進行分析處理，完成圖像變換與增強。
1）灰度值的讀取。數字圖像是在計算機中以矩形點陣形式存在的一個位圖，像素作為數字圖像中的基本元素。一副m×n大小的圖像中，每個像素由具有不同明暗程度的灰度值所標識。若將白色的灰度值定義為 ，黑色灰度值定義為 ，由黑色到白色之間的會的均勻的劃分為
個等級。彩色圖像處理是通過對其三個單色圖像分別處理得到的，要定位像素點，讀取R、G、B的值，根據讀取的值調整代碼，并保存R、G、B的值
2）圖像處理。若為彩色圖像，則轉換R、G、B值，計算灰度值gray，取r=g=b=gray；若為黑白圖像，只需讀取R分量的值，再進行灰度取反、灰度增強與灰度均衡化。
3.圖像除噪
圖像在數字化和傳輸過程中常受到成像設備和外部環境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。本文利用模糊數學理論，對于圖像對比度的調整一般采用的都是調整圖像顏色參與值來實現的。其中對于圖像顏色值的調整只要是固定于某一范圍內就一定會實現最終想要達到的效果。但是對于一些較為特殊的圖像，比如灰度值較大的圖像，在實現它的圖像清晰度達到一定效果時，首先需要調節它的灰度邊緣，既增加它的灰度值以實現對比清晰。這里介紹一個模糊邊緣提取法實現圖像灰度值提高的過程。假設一個灰度值為某一確定比例的圖像，那么它在一定像素值內的灰度值也一定，就可以通過這一比例關系確定出它的灰度值范圍，根據這一灰度值范圍就可以計算出它的最大灰度值，因此就可以通過調整圖像邊緣灰度模糊值來實現圖像對比度的調整了。
模糊數學理論在計算機圖像處理中的應用，簡化了計算機圖像處理中的一些繁雜的圖像調整或處理方法，還相應的提高了處理過后的圖像的精準度，對后期圖像應用等都有一定積極作用[1]。
4.邊緣提取
如果某個像素點具有該像素點及其直接領域的灰度值呈現階躍或屋頂變化這種屬性，則此像素點被稱為邊緣點，而這些邊緣點的集合構成了圖像的邊緣[2]。圖像的邊緣提取除去了非相關信息，保留了圖像的重要結構特性，很大程度地減少需要處理的數據量。
本文采用一種基于數學形態學的圖像邊緣提取算法。數學形態學是基于形態結構元素對幾何形狀和結構屬性進行分析和描述的數學方法，也是一種建立在幾何代數和集合論基礎上，通過非線性疊加來描述圖像的非線性的處理系統[3]。數學形態學的基本思路是，通過使用一定形態的結構元素，度量在目標圖像區域中的可放性和填充方法的有效性，并提取更為本質的圖像形態結構相關特性信息，進而達到對目標圖像分析和識別的目的。該理論可以剔除圖像中不相關的形態結構屬性，而保留基本的本質的形態結構屬性，達到簡化目標圖像數據的目的。
數學形態學運算。數學形態學最基本的形態轉換包括膨脹和腐蝕，它們能實現許多的功能，如濾波降噪、彌合目標圖像中相鄰的元素等。數學形態學也能實現尋找目標圖像中的明顯區塊的極大值區域或極小值區域，以及求出目標圖像的梯度 。
結構元素的選取。任何數學形態學算法都由兩個基本問題組成：數學形態學運算和結構元素的選取[4]。數學形態學的定義使得數學形態學的運算規則已經確定不變，所以形態結構元素的選取決定了數學形態學算法的目的和效果。
形態結構元素的選取問題可以分為兩個方面：結構元素的尺寸和形狀。選擇的結構元素的尺寸過小時，對于較大區域的凸起開運算不能有效地消除，而對于邊緣斷裂較大的情況閉運算不能有效地彌合；選擇的結構元素的尺寸過大時，開運算會過度消除圖像原本為邊緣點的像素而造成假斷裂，閉運算會過度彌合圖像原本斷裂的像素點而造成干擾信息。所以，采用單一尺寸的結構元素容易導致在對目標圖像進行邊緣提取時定位不夠準確，去噪效果不理想。采用單一形態的結構元素在對目標圖像進行邊緣提取時不能夠有效地保留圖像邊緣的細節信息。
最后通過Python軟件編程，通過以上步驟可以將視頻中信息轉化為可用數據，經過對數據的分析整合，以方便使用。
參考文獻
[1] 張偉.模糊數學理論在圖像處理中的應用[J].計算機光盤軟件與應用，2011.
[2] 羅山.基于改進數學形態學的含噪圖像邊緣檢測[J].攀枝花學院學報，2013， 30（4）：121-124.
[3] 朱培逸，劉紅晴.基于數學形態學圖像分割算法在水果分級中的應用[J].科學技術與工程，2013，34（13）：10375-10379.
[4] 張黃群，于盛林，白銀剛.形態學圖像去噪中結構元素選取原則[J].計算機應用，2008，28（2），：477-478.
