要减去背景图像，您需要一个背景模型。最简单的模型是捕获的图像作为背景以及一些允许的偏差（+/- 0-255）。然后，在MATLAB中进行背景扣除非常简单：

image（find（abs（image-background）<= threshold））= 0;

当您使用统计模型时，这将变得更加困难，但是从本质上减去背景非常简单。不减法不是背景减法；它是一个减法滤镜，就像您在photoshop中可以找到的一样。它不在乎背景与前景，这会破坏重点。

由于背景扣除本身非常容易，因此问题更多地在于背景估计。这有点复杂，通常需要更多的帧和训练才能建立背景的统计模型（例如，将像素视为高斯分布或高斯的混合，或者查看光流来确定不动的东西）。

如果您可以访问技术文章（通过工作或学校），Wren等人的“ Pfinder：人体的实时跟踪”将提供一种非常简单的方法。或者，您也可以在Google中搜索单个高斯背景减法。这里有许多使用OpenCV实现的方法-> http://dparks.wikidot.com/source-code <-您可能会发现有用。

计算机视觉系统工具箱具有vision.ForegroundDetector对象，该对象实现了Stauffer和Grimson的GMM背景减法的一种变体。利用多个内核，实现速度非常快。请查看此示例 ，了解如何将背景减法用作跟踪多个对象的系统的基础。

您使用哪种图像？

背景扣除很容易。如果要减去常数或与图像大小相同的背景，只需编写img = img - background 。 imsubtract仅需确保背景大于图像的任何地方的输出均为零。

背景估计很难。在那里，您需要知道您正在查看哪种图像，否则背景估计将失败。

例如，如果您的点或线要素要么在明亮的背景上都是黑暗的，要么在黑暗的背景上都是明亮的，则可以分别使用较大的局部最大滤镜（ imdilate ）或局部最小滤镜（ imerode ）通过而不是功能，因此无论您将滤镜放置在哪里，都有一些像素会覆盖背景。另外，您希望过滤器的形状与特征相似。对于您的情况，如果丢失了一部分图像，则可能需要尝试使滤镜变大（但不要太大）。

减去中位数而不是减去最大值或最小值，虽然您必须选择滤镜大小，以便滤镜蒙版中通常有大多数背景像素，但减去中值效果很好。不幸的是，中值滤波相当慢。