基于图像序列的双积分近似：细分次数m、n及方法选型

一、基于图像像素网格的黎曼和落地实现 #

• 像素与积分域的坐标映射：假设图像宽度像素数为W、高度像素数为H，对应积分域的2w和2h。单个像素的宽度为Δx = 2w/W，高度为Δy = 2h/H。像素中心的坐标可直接映射到积分域：
  • 第i列（左到右，i∈[0,W-1]）的x坐标：x_i = -w + (i + 0.5)*Δx
  • 第j行（上到下，j∈[0,H-1]）的y坐标：y_j = h - (j + 0.5)*Δy（图像坐标系y轴向下，需与积分域y轴向上的方向做翻转）
• 直接用图像分辨率作为细分次数：不需要额外定义m、n，直接拿图像的宽W、高H作为黎曼和的细分次数。每个网格点就是像素中心，对应的(u-ur)、(v-vr)就是该像素的光流差值，完全不存在“无法获取所有x_ij、y_ij”的问题。
• 积分计算式：将积分拆解为所有像素的贡献之和：

  积分近似值 ≈ Σ（i=0到W-1）Σ（j=0到H-1）[((u_ij - ur)β - (v_ij - vr)α)*(-x_i y_j β + (y_j² + 1)α)] * Δx * Δy
  

  其中u_ij、v_ij为(i,j)像素的光流分量，ur、vr为参考点光流，α、β为待求运动参数。

二、自定义细分时的m、n取值策略 #

• 误差自适应细分：从较小的初始值（如10×10）开始计算积分，逐步翻倍m、n，直到前后两次计算的积分值差小于预设阈值（如1e-5），此时的m、n即为满足精度要求的取值。
• 光流梯度引导的非均匀细分：在光流变化剧烈的区域（如边缘、运动物体边界）加密细分，光流平缓区域则稀疏细分。先计算光流的梯度幅值，根据梯度大小动态调整网格密度，兼顾精度与计算效率。

三、替代近似方法推荐 #

• 梯形法则：精度高于黎曼和，每个网格的贡献用梯形面积近似，公式为：

  单个网格贡献 ≈ 0.5*(f(x_i,y_j)+f(x_i+Δx,y_j)+f(x_i,y_j+Δy)+f(x_i+Δx,y_j+Δy))*Δx*Δy
  

  可直接基于像素网格实现，计算量略大于黎曼和，但精度提升明显。
• 辛普森法则：适合光滑函数积分，要求m、n为偶数，将相邻两个网格合并为一个单元，用二次多项式拟合函数，精度更高。但如果光流存在不连续（如遮挡），效果会受影响。
• 蒙特卡洛积分：适合高维或复杂积分域，随机在[-w,w]×[-h,h]内采样N个点，计算这些点的函数值平均值后乘以积分域面积4wh。N越大精度越高，对图像噪声的鲁棒性更好，因为随机采样能平均噪声影响。

内容的提问来源于stack exchange，提问作者Harkais