给定一个包含大量光线变化的固定背景视频，我试图检测在相对较短的时间跨度内发生的光脉冲。播放视频时，人们很容易区分光脉冲，但如果只显示静止帧，则无法区分脉冲和背景光。
我想知道机器视觉中是否有特定的术语可用于搜索用于解决此问题的算法。此外，如果您有任何解决此问题的论文或开源软件的参考资料，那就太好了。
编辑：更多上下文
视频本身是一个发生在亚细胞水平的生物过程，虽然背景是固定的，但在像素水平上也存在大量随机信号噪声（在相邻像素之间的噪声）。请注意，我在第一段中提到的变化是真正的变化，而不是信号噪声。既然我提到这个过程是生物的，那么可能还值得一提的是没有运动发生。这些只是光脉冲。此外，脉冲本身占据了足够多的像素，因此很容易辨别它们的相对大小。
【问题讨论】：
标签： computer-vision
从统计数据中，您可以研究变化点检测。基本思想是大多数时间每个 (x,y) 点或区域，如果您定义一些区域粒度，则具有强度 I(x,y)，其中 I(x,y) 是随机的，但要么是有界的或具有某些假设分布的随机性（例如，具有给定平均值和标准偏差的正态分布），然后以对该分布异常的强度进行观察。异常检测也适用，但时间序列性质更合适。
（如果您想深入了解统计方法，最好在统计 Stack Exchange 网站上讨论这个问题。）
如果您研究天文应用，您可以找到有关超新星和脉冲星探测的论文。
更新 1. 只是为了澄清天文类比，如果脉冲是重复的，那么关于脉冲星或卫星的论文可能是最合适的。如果脉冲是一次性的，那么关于超新星探测的论文会更好。如果脉冲是突发的并且在空间上聚集，那么流星撞击检测会更好。虽然空间时间序列分析，尤其是变化点或异常检测很有用，但最好了解感兴趣的随机现象，以缩小检测方法的范围。
【讨论】：
继续应用统计的概念：您可以考虑将每个图像帧网格化为矩形邻域。在每个时间t，计算邻域的方差（或标准差）。据推测，未激发的邻域将表现出一些共同的强度分布（即均匀，但很可能是某种形式的高斯分布）。脉冲像素的存在会以某种方式偏向该分布。当比较时间 t 和 t-1 的邻域时，平均强度的显着变化（或方差的变化等）将表明一个兴奋的邻域。
您还可以考虑查看其他度量，例如偏度和峰度。假设初始的非激发分布是高斯分布，“形状”参数也可以识别像素群体的差异。
*请注意，为简单起见，我假设为灰度图像，但同样的原则也适用于 RGB 图像。
【讨论】：
假设一个完全静态的场景，没有物体和相机运动，那么任何颜色偏差都将是由于光照变化造成的。 如果您检测到特定像素的颜色/强度突然变化（即亮度变化超过某个允许的阈值），那么这应该是由于光源打开/关闭造成的。
如果您只对点光源感兴趣，那么任何大于最大视光源的区域的变化都应被视为来自其他事物（例如，太阳突然从云层后面露出来）。
【讨论】：