打开文本图片集

摘要：在计算机信息技术全面发展中，人们对于计算机视觉要求逐渐提高，为了保障计算机视觉、视频图像关键帧提取效果达到标准要求，并积极做好相应的修复工作。本文则通过对关键帧的提取进行了充分分析，同时了解修复方式，从而保障计算机视觉的食品以及图像清晰度得到全面提升，为人们提供良好的计算机视觉观看效果。

关键词：计算机视觉；视频图像；关键帧；提取方式；修复方法

1基于计算机视觉的视频图像关键帧提取

1.1视频图像分割

在信息技术快速发展背景下，计算机系统得到了优化与创新，计算机视觉测量技术实现后，视频图像中可以对物体进行检测，而且能够对目标的移动轨迹进行全面监控以及采集。为了确保计算机视觉视频图像切割的准确度以及科学性，需要采取阈值分割法，积极构建计算机灰度值模型，及时找出计算机视频图像中的关键帧阈值。结合计算机视频图像的灰度差，对关键帧阈值进行分割处理。

将计算机视觉原视频图像设置为f（x，y），其灰度值范围[]，其中视频图像的灰度阈值为，其公式如图1所示。

计算机视觉视频图像灰度值在变化的情况下，阈值分割后原视频图像信息不会造成丢失问题，而且能够过滤视频图像中的重复图像信息，提高视频图像的清晰度。针对计算机视觉视频图像灰度差阈值分割的突变性，则需要及时采取迭代法，确保视频图像的灰度值保持在同一水平线。针对绘制的视频图像灰度值选取相应的阈值后，对视频图像进行切割处理，并对视频图像的灰度值进行重新计算。

1.2视频图像纹理采集

当计算机视觉视频图像相似的情况下，计算机在识别的过程中容易出现错误，造成视频图像检测失败，导致无法视频图像文理检测失败。为了确保计算机视觉视频图像文理采集效率得到有效提升，应当积极运用视频图像中的特征窗口获得像素值。另外，在计算机视觉视频图像纹理采集工作开展中，需要对视频图像中的关键像素点进行融合，对模糊视频图像进行重建处理，其中可以采取熵值法，将剩余的局部纹理图像信息进行收集与管理，并以此作为原始像素点，获取最终的熵值。在像素点检测的过程中，很容易对计算机视觉视频图像处理造成干扰，甚至会出现噪音的情况，一旦噪音分贝较高的情况下，对于视频图像中的子区域融合会产生一定影响，导致视频图像关键帧数据信息不稳定，所采集的视频图像文理清晰度相对较低，甚至会出现不完整的情况，为了确保视频图像在关键帧收集处理后，可以获取色彩丰富的视频图像结构，则需要采取函数计算方式。如公式2所示。

公式2：

在公式2中的P₁、P₂、P₃、P₄表示视频图像文理增加概率；x₁、x₂、x₃、x₄代表了视频图像中的高斯核函数，则代表了计算机视觉中的维度。在计算机视觉维护数值不同的情况下，计算机视觉视频图像的文理关键帧灰度差也会存在一定的差异性。

1.3视频图像关键帧提取

计算机视觉的视频图像关键帧所包含了类型相对较多，其中以初始帧、终止帧为主。在视频图像关键帧提取时以初始背景作为基础，找出视频图像中的特征分量，随后根据特征分量对关键帧信息进行全面分析，最终使用灰度值曲线图，找出计算机视频图像关键帧具体位置。在本次研究中，找出2个相似的视频图像后，及时对视频图像关键帧相似像素值进行计算，并将计算过程中的各项干扰因素进行处理后，其相似概率则如公式3所示。

其中则代表了计算机视觉视频图像中的相似概率，根据像素点特征分量，从而对2个相似的视频图像关键帧曲线进行绘制，从而了解两个相似视频图像的像素点距离。两个视频图像的关键帧曲线相关性越多的情况下，则标识两个视频图像的相似程度相对较高，一般情况下，两个视频图像的关键帧相关性数值为0-1左右的情况下，灰度阈值则可以达到0.9左右。由于视频图像在计算机中不会受到时间的影响，关键帧在实际提取的过程中，只是结合特征向量的变化发生改变，并逐渐从模糊转变为清晰。以视频图像初始关键帧作为标准的情况下，则需要对关键帧所存在的重复数据信息进行全面删除，同时补充丢失的数据信息，最终获取关键帧的灰度差。在灰度差获取时，由于会受到阳光等因素的影响，也就导致在计算机视觉图像视频关键帧获取的过程中，出现数值误差，造成关键帧排序出现不均匀等问题，只有确保关键帧信息熵值达到最大的情况下，关键帧排列顺序才不会出现错误的情况。在计算机视觉新的视频图像关键帧提取的过程中，则需要做好以下几方面工作。1）采集视频图像关键帧的过程中，在关键帧熵值达到一定数值的情况下，额需要确定好该数值为初始帧。还是终止帧。2）可以将视频图像分为多个不同的小片段，并对每个小片段的关键帧序列进行整合。3）对计算机视觉视频图像中的像素点相关性进行求解，当阈值达到0.9左右的情况下，可以选择新的关键帧。4）对以上步骤进行重复处理，检测出终止帧。5）在最终的视频图像关键帧提取后，选择初始帧与终止帧。

2视频图像修复

在计算机视觉视频图像修复的过程中，需要对视频图像的每个关键帧的信息熵进行具体分析，确保在视频图像关键帧修复的过程中，可以及时提取视频图像相同的关键帧信息，同时找出目标移动规律，并对移动轨迹矩阵进行有效记录。轨阵则以，移动轨迹矩阵中的每一个元素中，都含有相同的目标以及背景，促使在修复的过程中能够及时将目标方向进行改变，采取双层滤波降噪方式，对其中所存在的噪声进行全面处理，从而及时对视觉视频图像的关键帧主要信息进行合理修复。或者通过对加权法的使用，对原始矩阵进行还原。如公式4所示。

其中则代表了在计算机视觉视频图像关键帧修复函数。

结束语：

综上所述，计算机视觉视频图像关键帧提取所涉及的环节相对较多，需要在计算机中完成视频图像的圆圆工作，及时对灰度差以及相应因素进行综合分析，确定视频图像关键帧的排列顺序，避免关键帧出现丢失的情况，最终使用灰度值获取相应的特征，并完成相应的融合工作，从而完成关键帧修复与提取，提高视频图像的清晰度。

参考文献：

[1]陈隽，曾东鋆，李然. 基于计算机视觉的人群Bounce荷载协同性研究[J]. 应用基础与工程科学学报，2023，31（01）：113-125.

[2]李俊，邓树密，唐堂. 基于计算机视觉对基坑变形监测的运用分析[J]. 四川建筑，2022，42（06）：122-124.

（作者单位：淮阴工学院）