积分图(一)

积分图原理

第一个提出 Haar 特征快速计算方法的是 CVPR2001上 的那篇经典论文 [《Rapid object detection using a boosted cascade of simple features》] (http://www.cs.utexas.edu/~grauman/courses/spring2007/395T/papers/viola_cvpr2001.pdf), Viola 提出了一种利用积分图(integral image)快速计算 Haar 特征的方法, 这个方法使得图像的局部矩形求和运算的复杂度从 O(MN) 下降到了 O(4) 。

Haar 特征的计算需要重复计算目标区域的像素值，使用积分图能大大减少计算量，达到实时计算 Haar 特征的目的。简单来说，就是先构造一张“积分图”（integral image），也叫 Summed Area Table，之后任何一个 Haar 矩形特征都可以通过查表的方法（Look Up Table）和有限次简单运算得到，大大减少了运算次数。所以但凡需要重复计算目标区域内像素值和的场合，积分图都能派上用场。下面开始介绍积分图原理，并给出其的几个应用。

1、积分图原理

图像是由一系列的离散像素点组成, 因此图像的积分其实就是求和. 图像积分图中每个点的值是原图像中该点左上角的所有像素值之和.

首先建立一个数组 A 作为积分图像，其宽高与原图像相等. 然后对这个数组赋值，每个点存储的是该点与图像原点所构成的矩形中所有像素的和：

[egin{equation}egin{aligned} SAT(x, y) = sum_{x_i leq x, y_i leq y}{I(x_i, y_i)} end{aligned}end{equation}]

其中 (I(x,y)) 表示图像 (x,y) 位置的像素值。积分图像可以采用增量的方式计算：

[egin{equation}egin{aligned} SAT(x, y) = SAT(x, y-1) + SAT(x-1, y) - SAT(x-1, y-1) + I(x,y) end{aligned}end{equation}]

初始边界：$ SAT(-1,y) = SAT(x,-1) = SAT(-1,-1) = 0 $

为了更好地说明这个等式，下面我用几幅图来说明：

图1.坐标(x,y)处在原图像中示例

图2.坐标(x,y-1)处的积分图像SAT(x,y-1)示例

图3.坐标(x-1,y)处的积分图像SAT(x-1,y)示例

图4.坐标(x-1,y-1)处的积分图像SAT(x-1,y-1)示例

可以看到，(SAT(x,y-1)+SAT(x,y-1)) 后，有一部分重合的区域，即 (SAT(x-1,y-1))，所以需减掉，最后还需要将当前坐标(x,y)的像素值(I(x,y))包含进来。

定义了积分图的概念，就可以很方便的计算任意区域内的像素和，如下图所示：

积分图数组初始化之后, 我们就得到了一张积分图:

点1的积分 (SAT_1=Sum(Ra))，
点2的积分 (SAT_2=Sum(Ra)+Sum(Rb))，
点3的积分 (SAT_3=Sum(Ra)+Sum(Rc))，
点4的积分 (SAT_4=Sum(Ra)+Sum(Rb)+Sum(Rc)+Sum(Rd))

那么为了计算某个矩形像素和，比如区域 Rd 内所有点的像素值之和（积分）可以表示为：

[egin{equation}egin{aligned} Sum(Rd)=SAT_1+SAT_4-SAT_2-SAT_3 end{aligned}end{equation}]

所以无论矩形的尺寸大小，只需查找积分图像 4 次就可以快速计算任意矩形内像素值的和, 即算法复杂度为 O(4)。

2、积分图应用

2.1 Haar-like特征值计算

以如下一种 Haar-like 边缘特征为例

假设需要计算的这种 Haar-like 特征在图中的位置如下所示：

那么，A，B区域所构成的 Haar-like 边缘特征是：

[egin{equation}egin{aligned} Harr_{A-B} &= Sum(A) - Sum(B) \ &= [SAT_4+SAT_1-SAT_2-SAT_3] - [SAT_6+SAT_3-SAT_4-SAT_5] end{aligned}end{equation}]

显然，对一个灰度图而言，事先将其积分图构建好，当需要计算灰度图某个区域内所有像素点的像素值之和的时候，利用积分图，通过查表运算，可以迅速得到结果。

2.2 使用积分图像实现自适应阈值化

自适应阈值是一种局部方法。它的原理是根据每个像素的邻域（如 5x5）计算阈值，如将每个像素的值与指定的邻域的平均值进行比较，如果某像素的值与它的局部平均值差别很大，就会被当作异常值在阈值化过程中被分离。

如若不采用积分图像，则每个像素比较时，都需要进行 5 x 5 次加法运算；而采用积分图像，运算复杂度不随邻域大小而改变，每次只需计算 2 次加法和 2 次减法。

2.3 Boxfilter 快速计算

积分图可以使复杂度为O(MN)的求和, 求方差等运算降低到O(1)或近似于O(1)的复杂度，但它的缺点是不支持多尺度。

Boxfilter 的原理有点类似 Integral Image，而且比它还要快，但是实现步骤比较复杂。在计算矩形特征之前，Boxfilter 与 Integral Image 都需要对图像进行初始化（即对数组A赋值）, 不同于 Integral Image, Boxfilter 的数组 A 中的每个元素的值是该像素邻域内的像素和（或像素平方和）, 在需要求某个矩形内像素和的时候，直接访问数组中对应的位置就可以了。因此可以看出它的复杂度是O(1)。

Boxfilter 的细节可以移步这里.

2.4 滑动窗口

其实就是上面的 Boxfilter 中使用的方法.

我本人在做车牌字符分割时，设计了一个动态模板在车牌图像上滑动，并且每次滑动都计算一次模板内包含的非零像素点个数，没用积分图的时候，每次计算都要遍历，效率真的太低，滑动 1000 多次，计算耗时竟达到了几百 ms，这在实时处理中是不能容忍的。而后去补了积分图的知识，使用积分图来计算每次滑动后区域内的非零像素点个数，效率不要太高，只耗费了几 ms 就完事了。深深感叹算法的博大精深！

参考

[3]: Viola–Jones, object detection framework--Rapid Object Detection using a Boosted Cascade of Simple Features中文翻译 及 matlab 实现(见文末链接)