计算机视觉：分割设置。图割电位

Question

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区分开来。现在，背景 RGB 通道并非全部为零，因为它们可能有一些噪声。但是，人眼可以很容易地从背景中分辨出前景。

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，对块进行统计可能会因为更高的信噪比而更好地分类背景和前景。

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，我确实希望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。

Answer 1

您可以在超像素上构建您的CRF 模型，这样一个超像素就可以连接到另一个超像素（如果它是它的邻居）。

对于您的统计模型，Pixel Wise Posteriors 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（假设您有一个遮罩，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可能性除以两者的累积可能性之和。背景类似。

超像素之间的成对项可以像每个通过内核的平均观察到的纹理（按像素）之间的差异一样简单，例如Radial Basis Function。

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