0

我一直在尝试自学一些简单的计算机视觉算法，并试图解决一个问题，其中我有一些噪声损坏的图像，而我所要做的就是将黑色背景与有一些信号的前景分开。现在，背景 RGB 通道并非完全为零，因为它们可能有一些噪声。然而，人眼可以很容易地从背景中辨别出前景。

所以，我所做的是使用 SLIC 算法将图像分解为超像素。这个想法是，由于图像被噪声破坏，对补丁进行统计可能会因为更高的 SNR 而对背景和前景进行更好的分类。

在此之后，我得到了大约 100 个应该具有相似配置文件的补丁，并且 SLIC 的结果似乎是合理的。我一直在阅读有关图形切割的文章（Kolmogorov 论文），尝试解决我遇到的二元问题似乎很不错。因此，我构建了一个图，它是一阶 MRF，并且在直接邻居之间有边（4 连通图）。

现在，我想知道我可以在这里使用哪些可能的一元和二元术语来进行分割。所以，我在考虑一元项，我可以将它建模为一个简单的高斯，其中背景应该具有零均值强度，而前景应该具有一些非零均值。虽然，我正在努力弄清楚如何对其进行编码。我应该假设一些噪声方差并直接使用补丁统计信息计算概率吗？

同样，对于相邻的补丁，我确实想鼓励他们使用类似的标签，但我不确定我可以设计什么二进制术语来反映这一点。似乎只是标签（1或0）之间的区别似乎很奇怪......

很抱歉这个冗长的问题。希望有人可以就如何开始提供一些有用的提示。

4

1 回答 1

0

您可以在超像素上构建您的CRF模型，这样如果一个超像素是它的邻居，它就可以连接到另一个超像素。

对于您的统计模型， Pixel Wise 后验计算简单且成本低廉。

因此，对于 CRF 的一元术语，我建议如下：

  1. 在每个像素的纹理上构建前景和背景直方图（假设您有一个蒙版，或合理数量的标记前景像素（注意，不是超像素））。
  2. 对于每个超像素，对其内的像素进行独立性假设，这样超像素作为前景或背景的可能性是超像素中每个观察值的乘积（实际上，我们对日志求和）。个体似然项来自您生成的直方图。
  3. 将前景的后验计算为上述前景的累积似然除以两者的累积似然之和。背景类似。

超像素之间的成对项可以简单到每个通过内核的平均观察纹理（像素级）之间的差异，例如径向基函数。

或者，您可以计算每个超像素观察到的纹理的直方图（再次，按像素计算）并计算每对相邻超像素之间的Bhattacharyya 距离。

于 2017-09-06T16:58:10.967 回答