在视频图像处理中，一个非常基础的问题是：当前帧中的某个结构，在下一帧移动到了哪里？
对于单张图像，我们可以做边缘检测、角点检测或目标分割，从而知道“这一帧中哪里有结构”。
但视频并不是一张张独立图像的简单堆叠。真正重要的是：
这些结构在相邻帧之间是否发生了移动？移动的方向是什么？移动了多远？
本质就是回答两件事情：
1. 这一帧中有什么特征？
2. 这些东西在下一帧去了哪里？
光流法（Optical Flow）正是为了解决这类问题而提出的。
光流的本质是建立在相邻帧之间局部图像结构的对应关系，并用一个运动向量描述每个位置的表观位移。
https://viso.ai/deep-learning/optical-flow/光流是一种底层的运动估计方法。它可以作为物体追踪的基础：
当我们把属于同一个目标的多个局部运动向量组合起来时，就可以进一步推断这个目标的整体运动、局部形变或运动轨迹。但仅靠光流本身，通常还不能完整解决“这个物体是谁、是否仍然是同一个物体、是否发生遮挡或分裂”等更高层次的追踪问题。
https://opencv24-python-tutorials.readthedocs.io/en/latest/py_tutorials/py_video/py_lucas_kanade/py_lucas_kanade.html光流法的具体实现可以分为两个步骤：
1. 先在当前帧中选出一些容易被稳定追踪的点，例如角点或纹理丰富的区域，
2. 然后利用光流法估计这些点在下一帧中的新位置。
这篇文章会一段冠脉造影数据作为例子，通过 Python 实现Shi-Tomasi 特征点检测 + Lucas-Kanade 光流追踪。具体效果：
数据来源：https://www.youtube.com/shorts/4pkwqjj6ZSg
一、原理解析
1、什么是光流法
光流法（Optical Flow）用于估计连续图像帧之间的运动。
更直观地说，假设在第 t 帧中有一个局部图像结构：
在第 t+1 帧中，它移动到了右下方：
那么光流法希望估计的就是这个运动向量：
也就是：这个点从哪里来，又移动到了哪里。
根据估计对象的不同，光流一般可以分成两类：
1. 稠密光流（Dense Optical Flow）：对图像中几乎每个像素都估计运动。
2. 稀疏光流（Sparse Optical Flow）：只选取一部分可靠的特征点，然后追踪这些点。
本文使用的是第二种：稀疏光流。
因为在很多科研图像中，我们并不一定需要知道每个像素的运动，只需要追踪一些稳定、可靠、容易识别的局部点，就可以很好地观察整体运动趋势。
2、光流法的基本原理
光流法最核心的假设是：同一个局部图像结构，在很短时间内亮度近似不变，只是位置发生了变化。
用公式表示就是：
其中：
这就是所谓的亮度恒定假设（Brightness Constancy）。
但是，只靠一个像素是不够的。
因为一个像素只有一个灰度值，而我们要估计的是两个未知量：
所以 Lucas-Kanade 光流法的思路是：
不只看一个像素，而是看这个像素周围的一小块窗口，并假设这个窗口里的局部结构整体一起移动。
例如，对于一个特征点，不是只比较这个点本身，而是比较它周围 21 x 21 的小区域在下一帧中移动到了哪里。
这就把问题从“一个像素的灰度变化”变成了“一个小图像块的匹配问题”。
在 OpenCV 中，Lucas-Kanade 光流对应的函数是：
cv2.calcOpticalFlowPyrLK(...)
其中 PyrLK 中的 Pyr 表示 Pyramid，也就是图像金字塔。
为什么需要金字塔？
因为相邻两帧之间的运动可能并不总是很小。如果直接在原始分辨率上追踪，点可能会跳出局部搜索范围。图像金字塔会先在低分辨率图像上估计粗略位移，再回到高分辨率图像上细化结果。
可以理解为：
低分辨率：先找大概移动方向高分辨率：再修正具体位置
3、特征点的选取原理
在使用稀疏光流时，一个关键问题是： 应该追踪哪些点？
并不是所有像素都适合被追踪。
1、平坦区域不适合追踪
如果一个区域几乎没有纹理，例如一大片灰色背景：
那么其中任意一个点移动后，看起来都差不多。算法很难判断它到底移动到了哪里。
2、单纯边缘也不够稳定
如果一个点位于一条边缘上：
暗 暗 | 亮 亮暗 暗 | 亮 亮暗 暗 | 亮 亮
它在垂直于边缘的方向上比较容易定位，但沿着边缘方向移动时会产生歧义。
这就是经典的孔径问题（Aperture Problem）。
3、角点更适合追踪
角点附近在两个方向上都有明显灰度变化：
暗 暗 | 亮 亮暗 暗 | 亮 亮------+------亮 亮 | 暗 暗亮 亮 | 暗 暗
这类点局部结构更有辨识度，因此更适合作为追踪点。
Shi-Tomasi 角点检测就是一种经典的特征点选取方法。它的基本思想是：考察一个局部窗口在不同方向上的灰度变化。如果这个窗口在两个方向上都有足够明显的变化，那么它就是一个好的特征点。
https://www.datatechnotes.com/2023/10/shi-tomasi-corner-detection-example.html在 OpenCV 中，对应函数是：
cv2.goodFeaturesToTrack(...)
本文使用 Shi-Tomasi 检测关键帧中的特征点，然后使用 Lucas-Kanade 光流追踪这些点。
整体流程如下：
关键帧 ↓Shi-Tomasi 角点检测 ↓Lucas-Kanade 光流逐帧追踪 ↓过滤错误匹配和异常大位移 ↓绘制运动轨迹
二、Python 环境安装
本文只需要两个主要 Python 包：
可以直接安装：
pip install opencv-python numpy
也可以新建一个 conda 环境：
conda create -n opticalflow python=3.10conda activate opticalflowpip install opencv-python numpy
导入需要的包：
from pathlib import Pathimport cv2import numpy as np
三、实例代码
1、读取图像
from pathlib import Pathimport cv2import numpy as npbase_dir = Path(__file__).resolve().parentframe_dir = base_dir / "Coronary_angiography_video_tif_8bit"out_dir = base_dir / "optical_flow_tutorial_result"each_frame_dir = base_dir / "optical_flow_tracking_frames_colored"out_dir.mkdir(exist_ok=True)each_frame_dir.mkdir(exist_ok=True)start_frame = 1end_frame = 11def read_gray(path): image = cv2.imdecode(np.fromfile(str(path), dtype=np.uint8), cv2.IMREAD_GRAYSCALE) if image is None: raise FileNotFoundError(path) return imagedef save_image(path, image): ok, buffer = cv2.imencode(path.suffix, image) if not ok: raise RuntimeError(f"Cannot save image: {path}") buffer.tofile(str(path))def frame_path(index): return frame_dir / f"frame_{index:06d}.tif"prev_gray = read_gray(frame_path(start_frame))save_image(out_dir / "01_start_frame.png", prev_gray)
读取到的第 1 帧就是前面展示的起始图像。
2、Shi-Tomasi 检测特征点
接下来在关键帧上检测适合追踪的角点：
feature_params = dict( maxCorners=180, qualityLevel=0.01, minDistance=7, blockSize=7,)points = cv2.goodFeaturesToTrack(prev_gray, mask=None, **feature_params)
这些参数的含义是：
maxCorners=180：最多检测 180 个点；
qualityLevel=0.01：角点质量阈值；
minDistance=7：两个特征点之间的最小距离；
blockSize=7：计算角点响应时使用的局部窗口大小。
把检测到的点画出来：
def make_random_colormap(count, seed=19): rng = np.random.default_rng(seed) hues = np.linspace(0, 179, count, endpoint=False, dtype=np.float32) rng.shuffle(hues) hsv = np.zeros((count, 1, 3), dtype=np.uint8) hsv[:, 0, 0] = hues.astype(np.uint8) hsv[:, 0, 1] = rng.integers(170, 245, size=count, dtype=np.uint8) hsv[:, 0, 2] = rng.integers(210, 255, size=count, dtype=np.uint8) return cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR).reshape(count, 3)def draw_points(gray, points, colors, point_ids): canvas = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR) for point, point_id in zip(points.reshape(-1, 2), point_ids): x, y = point color = colors[int(point_id)].tolist() cv2.circle(canvas, (int(x), int(y)), 3, color, -1, cv2.LINE_AA) cv2.circle(canvas, (int(x), int(y)), 4, (255, 255, 255), 1, cv2.LINE_AA) return canvastrack_colors = make_random_colormap(len(points))initial_ids = np.arange(len(points))save_image(out_dir / "02_shi_tomasi_points.png", draw_points(prev_gray, points, track_colors, initial_ids))save_image(each_frame_dir / "tracked_000040.png", draw_points(prev_gray, points, track_colors, initial_ids))
结果如下：
可以看到，特征点主要分布在血管边缘、分叉附近以及局部灰度变化明显的位置。
这也符合前面的原理：光流追踪更喜欢局部结构明显的点。
3、Lucas-Kanade 光流追踪
定义 Lucas-Kanade 光流参数：
lk_params = dict( winSize=(21, 21), maxLevel=3, criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 30, 0.01),)
其中：
对相邻两帧进行光流估计：
curr_gray = read_gray(frame_path(41))next_points, status, error = cv2.calcOpticalFlowPyrLK( prev_gray, curr_gray, points, None, **lk_params,)
这里：
位移向量如下：
每一个箭头表示一个特征点从第1帧到第2帧的移动方向。
4、过滤错误匹配和异常大位移
实际追踪时，不能只看 status。
有些点虽然被 OpenCV 返回为追踪成功，但可能跳到了错误位置，表现为一个特别长的箭头。
因此这里加入四个过滤条件：
status = status.reshape(-1).astype(bool)error = error.reshape(-1)displacement = np.linalg.norm( next_points.reshape(-1, 2) - points.reshape(-1, 2), axis=1,)h, w = curr_gray.shapexy = next_points.reshape(-1, 2)in_bounds = ( (xy[:, 0] >= 0) & (xy[:, 0] < w) & (xy[:, 1] >= 0) & (xy[:, 1] < h))good = ( status & (error < 25.0) & (displacement <= 30.0) & in_bounds)
这里的过滤逻辑是：
加入单帧位移阈值后，可以去掉少数明显不合理的跳变点，避免最终图中出现特别长的错误箭头。
5、逐帧追踪并绘制轨迹
从第 1 帧追踪到第 10 帧，可以写成一个循环：
tracks = [[tuple(p.ravel())] for p in points]active_ids = np.arange(len(points))max_displacement = 30.0rejected_by_displacement = 0for frame_index in range(start_frame + 1, end_frame + 1): curr_gray = read_gray(frame_path(frame_index)) next_points, status, error = cv2.calcOpticalFlowPyrLK( prev_gray, curr_gray, points, None, **lk_params, ) status = status.reshape(-1).astype(bool) error = error.reshape(-1) displacement = np.linalg.norm(next_points.reshape(-1, 2) - points.reshape(-1, 2), axis=1) h, w = curr_gray.shape xy = next_points.reshape(-1, 2) in_bounds = (xy[:, 0] >= 0) & (xy[:, 0] < w) & (xy[:, 1] >= 0) & (xy[:, 1] < h) good = status & (error < 25.0) & (displacement <= max_displacement) & in_bounds rejected_by_displacement += int(np.count_nonzero( status & (error < 25.0) & in_bounds & (displacement > max_displacement) )) good_new = next_points[good] good_ids = active_ids[good] for track_id, point in zip(good_ids, good_new): tracks[int(track_id)].append(tuple(point.ravel())) points = good_new.reshape(-1, 1, 2).astype(np.float32) active_ids = good_ids prev_gray = curr_gray
最后绘制轨迹：
def draw_tracks(gray, tracks, colors): canvas = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR) for i, track in enumerate(tracks): if len(track) < 2: continue pts = np.array(track, dtype=np.int32) color = colors[i].tolist() cv2.polylines(canvas, [pts], False, color, 1, cv2.LINE_AA) cv2.circle(canvas, tuple(pts[-1]), 2, color, -1, cv2.LINE_AA) return canvasfinal_gray = read_gray(frame_path(end_frame))save_image(out_dir / "04_tracks_40_to_50.png", draw_tracks(final_gray, tracks, track_colors))
最终追踪结果如下：
6、结果分析
运行脚本后，输出结果为：
Initial feature points: 180Full tracks from frame 1 to 11: 158Rejected large jumps: 4
也就是说：
第 1 帧初始检测到 180 个 Shi-Tomasi 特征点；
从第 1 帧追踪到第 11 帧后，有 158 条轨迹完整保留下来；
有 4 次追踪结果因为单帧位移过大，被认为是不合理跳变并剔除。
从最终轨迹图中可以看到，很多轨迹集中在血管边缘和分叉区域附近。 这是因为这些区域灰度变化明显，更容易被 Shi-Tomasi 检测为特征点，也更容易被 Lucas-Kanade 光流追踪。
本篇教程的所有Python代码，可以在GitHub上下载：
https://github.com/ethanzhao9/Medical-Image-Processing
10个月宝宝每天需要喝多少奶粉？
