从整体积分图中高效获取局部区域积分图的方法

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

从整体积分图中高效获取局部区域积分图的方法

2025-11-16

浏览次数：次

返回列表

从整体积分图中高效获取局部区域积分图的方法

本文详细介绍了如何从一个大型图像（如精灵图集）的积分图中，高效地提取出其中任意指定局部区域（如单个精灵）的积分图。核心方法包括精确切片和基于 numpy 广播机制的行/列减法调整，确保生成的局部积分图具有正确的零起始点，从而实现对子区域求和的快速计算，避免重新计算整个子区域的积分图。

引言：积分图及其应用

积分图（Integral Image），又称求和面积表（Summed-Area Table），是一种用于快速计算图像任意矩形区域内像素值之和的数据结构。其核心思想是，图像中任意一点 (x, y) 的积分图值 I(x, y) 等于原始图像中以 (0, 0) 为左上角、以 (x, y) 为右下角的矩形区域内所有像素值的总和。利用积分图，计算任意矩形区域 (x1, y1) 到 (x2, y2) 内的像素和，仅需四次查找和三次加减运算：I(x2, y2) - I(x1-1, y2) - I(x2, y1-1) + I(x1-1, y1-1)。这极大地提高了区域求和的效率，广泛应用于图像处理、计算机视觉（如Haar特征检测）等领域。

问题：从整体积分图中提取局部积分图

在实际应用中，我们可能拥有一个大型图像（例如，包含多个精灵的精灵图集）的完整积分图。现在，我们需要获取其中某个特定子区域（例如，图集中的一个独立精灵）的积分图。直接对子区域重新计算积分图虽然可行，但如果需要频繁提取，效率会较低。更优的方法是，能否利用已有的整体积分图，通过简单的数学运算和切片操作来“导出”子区域的积分图？

核心原理与实现步骤

答案是肯定的。从整体积分图中提取局部区域的积分图，可以通过以下步骤实现：

确定子区域的坐标范围： 首先，明确目标子区域在原始大图中的左上角 (y0, x0) 和右下角 (y1-1, x1-1) 像素坐标。这里我们使用半开区间表示法，即 [y0:y1, x0:x1] 代表从 y0 行到 y1-1 行，从 x0 列到 x1-1 列的区域。
从整体积分图中进行切片： 由于积分图通常会在第一行和第一列进行零填充，以简化边界条件的处理。因此，原始图像中 (y, x) 位置的像素值累加到积分图中的 (y+1, x+1) 位置。如果我们目标子区域在原始大图中的范围是 [y0:y1, x0:x1]，那么在整体积分图中对应的区域将是 [y0:y1+1, x0:x1+1]。我们需要从整体积分图中切取出这个范围的子矩阵。关键在于，切片时必须包含目标区域的“前导”行和“前导”列（即在整体积分图中，子区域左侧和上方的行/列）。这些前导行和列在后续的调整步骤中至关重要。
调整切片值以重置原点： 切片得到的子矩阵，其值是基于整体积分图的 (0, 0) 原点累加的。为了使其成为一个独立的、以自身左上角为 (0, 0) 原点的积分图，我们需要进行调整。调整方法是：将切片子矩阵的第一行和第一列的值从整个子矩阵中减去。具体来说：
- 将子矩阵的第一行（除了第一个元素）减去其第一个元素。
- 将子矩阵的第一列（除了第一个元素）减去其第一个元素。
- 更高效的做法是，将子矩阵的第一行（作为一维数组）从整个子矩阵中减去。
- 然后，将子矩阵的第一列（作为一维数组）从整个子矩阵中减去。经过这两步减法操作后，切片子矩阵的第一行和第一列将变为零，从而有效地将子积分图的原点“重置”到其自身的左上角，使其符合标准积分图的定义。

Python 示例

下面通过一个具体的 Python 例子来演示上述步骤，使用 numpy 进行数组操作，并利用 opencv 的 cv.integral 函数来生成和验证积分图。

Zyro AI Background Remover

Zyro推出的AI图片背景移除工具

145 查看详情 Zyro AI Background Remover

import numpy as np
import cv2 as cv

# 1. 定义原始精灵图集和目标子区域
sprite_sheet = np.uint8([
    [1, 2, 1, 2],
    [3, 4, 3, 4],
    [1, 2, 1, 2],
    [3, 4, 3, 4],
])

# 定义子区域在sprite_sheet中的坐标 (y0, y1, x0, x1)
# 对应原始图像的 [y0:y1, x0:x1] 区域
# 例如，我们想提取 [[1, 2], [3, 4]] 这个子图
# 它在 sprite_sheet 中是 sprite_sheet[2:4, 2:4]
y0, y1, x0, x1 = 2, 4, 2, 4
sprite = sprite_sheet[y0:y1, x0:x1]

print("原始精灵图集:\n", sprite_sheet)
print("\n目标子区域 (sprite):\n", sprite)

# 2. 计算整个精灵图集的积分图
# cv.integral 会自动在第一行和第一列添加0填充
sheet_integral = cv.integral(sprite_sheet)
print("\n精灵图集积分图 (sheet_integral):\n", sheet_integral)

# 3. 验证：直接计算目标子区域的积分图 (作为我们期望的输出)
expected_sprite_integral = cv.integral(sprite)
print("\n期望的子区域积分图 (cv.integral(sprite)):\n", expected_sprite_integral)

# 4. 从整体积分图中切片
# 注意：切片范围是 [y0:y1+1, x0:x1+1]，以包含子区域的“前导”行和列
# 这里的 y0, x0 是原始图像的起始索引，y1, x1 是结束索引+1
# sheet_integral 的索引比原始图像大1
# 所以，如果原始图像的子区域是 [y0:y1, x0:x1]
# 那么在 sheet_integral 中，对应的切片是 [y0:y1+1, x0:x1+1]
# 例如，y0=2, y1=4, x0=2, x1=4
# 切片范围是 sheet_integral[2:5, 2:5]
sliced_integral = sheet_integral[y0:y1+1, x0:x1+1].copy() # 使用 .copy() 避免视图修改原数据
print("\n从整体积分图切片得到的原始子矩阵 (sliced_integral):\n", sliced_integral)

# 5. 调整切片值以重置原点
# 使用 NumPy 的广播机制：
# 第一次减法：将第一行 (sliced_integral[0:1, :]) 从整个矩阵中减去
sliced_integral -= sliced_integral[0:1, :]
print("\n第一次调整后 (减去第一行): \n", sliced_integral)

# 第二次减法：将第一列 (sliced_integral[:, 0:1]) 从整个矩阵中减去
sliced_integral -= sliced_integral[:, 0:1]
print("\n第二次调整后 (减去第一列，最终结果):\n", sliced_integral)

# 6. 验证结果
print("\n最终提取的子区域积分图是否与期望值一致:", np.array_equal(sliced_integral, expected_sprite_integral))

运行结果示例：

原始精灵图集:
 [[1 2 1 2]
 [3 4 3 4]
 [1 2 1 2]
 [3 4 3 4]]

目标子区域 (sprite):
 [[1 2]
 [3 4]]

精灵图集积分图 (sheet_integral):
 [[ 0  0  0  0  0]
 [ 0  1  3  4  6]
 [ 0  4 10 14 20]
 [ 0  5 13 18 26]
 [ 0  8 20 28 40]]

期望的子区域积分图 (cv.integral(sprite)):
 [[ 0  0  0]
 [ 0  1  3]
 [ 0  4 10]]

从整体积分图切片得到的原始子矩阵 (sliced_integral):
 [[10 14 20]
 [13 18 26]
 [20 28 40]]

第一次调整后 (减去第一行): 
 [[ 0  0  0]
 [ 3  4  6]
 [10 14 20]]

第二次调整后 (减去第一列，最终结果):
 [[ 0  0  0]
 [ 0  1  3]
 [ 0  4 10]]

最终提取的子区域积分图是否与期望值一致: True

注意事项

坐标系统： 务必理解原始图像坐标、积分图坐标以及切片范围之间的对应关系。cv.integral 函数生成的积分图通常比原始图像多一行一列（用于零填充），因此原始图像中的 (y, x) 对应积分图中的 (y+1, x+1)。
切片范围： 切片 sheet_integral[y0:y1+1, x0:x1+1] 的关键在于 +1，它确保我们包含了子区域在积分图中的“前导”行和列，这对于后续的减法调整至关重要。
NumPy 广播： 在调整步骤中，sliced_integral -= sliced_integral[0:1, :] 和 sliced_integral -= sliced_integral[:, 0:1] 利用了 NumPy 的广播机制。[0:1, :] 选取的是第一行（保持二维结构），[:, 0:1] 选取的是第一列（保持二维结构），这样 NumPy 就能正确地将其广播到整个矩阵进行减法运算。
数据类型： 积分图的值可能会比原始像素值大很多，因此需要使用足够大的数据类型（如 int32 或 int64）来存储，以避免溢出。cv.integral 默认会使用 int32。