计算机视觉：分割设置。图形切割电位

Question

我一直在试图教自己一些简单的计算机视觉算法，并试图解决一些问题，我有一些噪声损坏的图像，我试图做的是将黑色背景从具有某种信号的前景中分离出来。现在，背景RGB通道不完全是零，因为它们可能会有一些噪音。但是，人眼很容易从背景中辨别出前景。

因此，我所做的是使用SLIC算法将图像分解为超像素。这个想法是因为图像被噪声破坏，所以对补丁进行统计可能会导致更好的背景和前景分类，因为SNR更高。

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（Kolmogorov论文）的文章，并且对于我所遇到的二元问题，似乎是一件很好的尝试。所以，我构造了一个图形，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一元和二元词汇来进行分割。所以，我在考虑单项术语，我可以将它建模为一个简单的高斯模型，背景应该具有零平均强度，并且前景应该具有一些非零平均值。虽然，我正在努力弄清楚如何编码这个。我应该只是假设一些噪声方差并直接使用补丁统计来计算概率？

同样，对于邻近碎片我也想鼓励他们采取类似的标签，但我不知道什么二进制学期我可以设计一个反映。似乎只需将标签（1或0）似乎不可思议的区别...

对不起，啰嗦的问题。希望有人能够提供一些有用的启示。

Answer 1

你可以建立你的CRF模型在超级像素，使得超像素有另一个超级像素的连接，如果它是它的一个邻居。

为了您的统计模型Pixel Wise Posteriors简单和廉价的计算。

所以，我建议为CRF的一元条款如下：在每像素纹理

1. 生成前景和背景直方图（假设你有一个面具，或标记的前景像素的合理量（注意，不是超级像素））。
2. 对于每个超像素，使得在其内的像素，以使得被前景或背景中的超像素似然性高于在超像素的每个观测产物（在实践中，我们总结日志）的独立性假设。单个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可能性除以两者的累积可能性之和。类似的背景。

超像素之间的成对的术语可以是为平均观察到纹理（按像素）的每个通过内核通过，如Radial Basis Function之间的差一样简单。

或者，可以（再次，逐像素）计算在每一个超像素观察纹理直方图，并计算Bhattacharyya Distance每个相邻一对超像素之间。