首先感谢博客
这篇博客中提到了一种基于颜色的人脸识别，很好的例子！
本文主要是按他的思路来的。
目标是实现图片水印的目标提取。
原图如下所示：

提取目标是右下角的水印。

首先放一个手动截图的matlab代码，用它可以实现截取图片的一部分并保存。

%从图片中选取矩形框区域
P_frist = imread('p1.jpg');
[A,rect] = imcrop(P_frist);
figure(3);
imshow(A);
rect;
%截取矩形区域图像并保存
P_cut = imcrop(P_frist,rect);
imwrite(P_cut,'C:\Users\Administrator\Desktop\ppt\图像处理\水印去除术2\截图\P_cut.png');

这里可以手动获得感兴趣的矩形截图。

上面提到了博客中，将RGB转换到YCBCR的色彩空间，再进行处理。
这里简单说明
Y：明亮度。“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。
CB：是RGB图像的蓝色部分与RGB亮度值之间的差异。
CR：是RGB图像的红色部分与RGB亮度值之间的差异。
RGB和YCbCr各分量的值的范围均为0-255。

转换公式：
Y = 0.257R+0.564G+0.098B+16
Cb = -0.148R-0.291G+0.439B+128
Cr = 0.439R-0.368G-0.071*B+128

R = 1.164*(Y-16)+1.596*(Cr-128)
G = 1.164*(Y-16)-0.392*(Cb-128)-0.813*(Cr-128)
B = 1.164*(Y-16)+2.017*(Cb-128)

转换完成后，通过选择各个通达的门限值实现二值化，门限值可以更新，兴趣区域的具体数值进行确定。

%matrix（用各个通道的阈值对其进行二值化处理）
Y_MIN = 140;  Y_MAX = 200;
Cb_MIN = 110;   Cb_MAX = 140;
Cr_MIN = 110;   Cr_MAX = 130;
threshold=roicolor(YCBCR(:,:,1),Y_MIN,Y_MAX)&roicolor(YCBCR(:,:,2),Cb_MIN,Cb_MAX)&roicolor(YCBCR(:,:,3),Cr_MIN,Cr_MAX);
subplot(2,2,3),imshow(threshold),title('YCBCR二值化'),

这里的门限值为水印的范围。

然后进行形态学处理，包括 imerode（腐蚀），imdilate（膨胀），imfill（孔洞填充）
这样就获得了兴趣区域的提取。
如图：

到这基本完成任务了，提取目标玩以后就是要对目标进行处理。
对于水印的处理一般为扣除后进行添补，也就是常说的 inpaint。
这里提供一个matlab，进行inpaint的优秀代码，之后有时间会把它和本例结合。
这里就简单的给个例子。

%膜P_mask
%
[m,n]=size(P_mask);
%窗口尺寸为N
N=3;
for i=2:m-1
    for j=2:n-1
        %过窗
        for size_i=1:N
            for size_j=1:N
             if  P_mask(i+size_i-2,j+size_j-2)>0
                 P_cut(i+size_i-2,j+size_j-2)=P_cut(i,j);
                 P_mask(i+size_i-2,j+size_j-2)=1;
             end      
            end
        end
        
    end
end
figure(2);
imshow(P_cut),title('tu');

实现的是用3*3的窗口对兴趣区域进行处理，可以根据自己的算法进行改进。

如有不对的地方欢迎指正，共同学习。

设计程序，自动从给定图像中找到特定目标。

解决思路：读取，适当裁剪 → 预处理 → 连通区域 → 框选 → 裁剪框选区域。

预处理方法有：灰度，二值化，滤波，开闭环运算等。因题制宜，不需全用。

 程序取巧，通过裁剪已使目标区域为最大框选区域，通过区域面积判断识别出目标的位置。

以上程序非本人所写，注释和思路为本人原创。

读懂了，就是自己的(￣^￣)。

视频的前景目标提取

视频监控是中国安防产业中最为重要的信息获取手段。随着“平安城市”建设的顺利开展，各地普遍安装监控摄像头，利用大范围监控视频的信息，应对安防等领域存在的问题。近年来，中国各省市县乡的摄像头数目呈现井喷式增长，大量企业、部门甚至实现了监控视频的全方位覆盖。如北京、上海、杭州监控摄像头分布密度约分别为71、158、130个/平方公里，摄像头数量分别达到115万、100万、40万，为我们提供了丰富、海量的监控视频信息。
目前，监控视频信息的自动处理与预测在信息科学、计算机视觉、机器学习、模式识别等多个领域中受到极大的关注。而如何有效、快速抽取出监控视频中的前景目标信息，是其中非常重要而基础的问题[1-6]。这一问题的难度在于，需要有效分离出移动前景目标的视频往往具有复杂、多变、动态的背景[7，8]。这一技术往往能够对一般的视频处理任务提供有效的辅助。以筛选与跟踪夜晚时罪犯这一应用为例：若能够预先提取视频前景目标，判断出哪些视频并未包含移动前景目标，并事先从公安人员的辨识范围中排除；而对于剩下包含了移动目标的视频，只需辨识排除了背景干扰的纯粹前景，对比度显著，肉眼更易辨识。因此，这一技术已被广泛应用于视频目标追踪，城市交通检测，长时场景监测，视频动作捕捉，视频压缩等应用中。
下面简单介绍一下视频的存储格式与基本操作方法。一个视频由很多帧的图片构成，当逐帧播放这些图片时，类似放电影形成连续动态的视频效果。从数学表达上来看，存储于计算机中的视频，可理解为一个3维数据，其中代表视频帧的长，宽，代表视频帧的帧数。视频也可等价理解为逐帧图片的集合，即，其中为一张长宽分别为的图片。3维矩阵的每个元素（代表各帧灰度图上每个像素的明暗程度）为0到255之间的某一个值，越接近0，像素越黑暗；越接近255，像素越明亮。通常对灰度值预先进行归一化处理（即将矩阵所有元素除以255），可将其近似认为[0,1]区间的某一实数取值，从而方便数据处理。一张彩色图片由R（红），G（绿），B（蓝）三个通道信息构成，每个通道均为同样长宽的一张灰度图。由彩色图片构成的视频即为彩色视频。本问题中，可仅考虑黑白图片构成的视频。在Matlab环境下，视频的读取、播放及相应基本操作程序见附件1。如采用其他编程环境，也可查阅相关资料获得相应操作程序。
题目的监控视频主要由固定位置监控摄像头拍摄，要解决的问题为提取视频前景目标。请通过设计有效的模型与方法，自动从视频中分离前景目标。注意此类视频的特点是相对于前景目标，背景结构较稳定，变化幅度较小，可充分利用该信息实现模型与算法设计。

问题1：

对一个不包含动态背景、摄像头稳定拍摄时间大约5秒的监控视频，构造提取前景目标（如人、车、动物等）的数学模型，并对该模型设计有效的求解方法，从而实现类似图1的应用效果。（附件2提供了一些符合此类特征的监控视频）

问题2：

对包含动态背景信息的监控视频（如图2所示），设计有效的前景目标提取方案。（附件2中提供了一些符合此类特征的典型监控视频）

图2 几种典型的动态视频背景，：树叶摇动，水波动，喷泉变化，窗帘晃动

问题3：

在监控视频中，当监控摄像头发生晃动或偏移时，视频也会发生短暂的抖动现象（该类视频变换在短时间内可近似视为一种线性仿射变换，如旋转、平移、尺度变化等）。对这种类型的视频，如何有效地提取前景目标？（附件2中提供了一些符合此类特征的典型监控视频）

问题4：

在附件3中提供了4组视频（avi文件与mat文件内容相同）。请利用你们所构造的建模方法，从每组视频中选出包含显著前景目标的视频帧标号，并将其在建模论文正文中独立成段表示。务须注明前景目标是出现于哪一个视频（如Campus视频）的哪些帧（如241-250，421-432帧）。

注：强烈建议深刻考虑问题内涵，建造合理、高效的数学模型和求解方法，鼓励进行具有开放思路与创新思维的探索性尝试。

参考文献：

[1] Andrews Sobral & Antoine Vacavant, A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos, Computer Vision and Image Understanding, Volume 122, May 2014, Pages 4-21
[2] B. Lee and M. Hedley, “Background estimation for video surveillance,” IVCNZ02, pp. 315–320, 2002.
[3] C. Stauffer and W. E. L. Grimson, “Adaptive background mixture models for real-time tracking,” in Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on., vol. 2. IEEE, 1999.
[4] E. J. Cand`es, X. Li, Y. Ma, and J. Wright, “Robust principal component analysis?” Journal of the ACM (JACM), vol. 58, no. 3, p. 11, 2011.
[5] D. Meng and F. De la Torre, “Robust matrix factorization with unknown noise,” in IEEE International Conference on Computer Vision, 2013, pp. 1337–1344.
[6] Q. Zhao, D. Meng, Z. Xu,W. Zuo, and L. Zhang, “Robust principal component analysis with complex noise,” in Proceedings of the 31st International Conference on Machine Learning (ICML-14), 2014, pp. 55–63.
[7] Y. Peng, A. Ganesh, J. Wright, W. Xu, and Y. Ma, “RASL: Robust alignment by sparse and low-rank decomposition for linearly correlated images,” Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 34, no. 11, pp. 2233–2246, 2012.
[8] M. Babaee, D. T. Dinh, and G. Rigoll, “A deep convolutional neural network for background subtraction,” arXiv preprint arXiv: 1702.01731, 2017.

源程序链接

https://download.csdn.net/download/a_zxswer/20018836.