计算机视觉：分段设置。图切割电位

Question

我一直在努力教自己一些简单的计算机视觉算法，我试图解决一个问题，我有一些噪音损坏的图像，我想要做的就是将黑色背景与前景分开，它有一些信号。现在，背景RGB通道并非全部为零，因为它们可能会产生一些噪音。但是，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级像素。这个想法是因为图像被噪声破坏了，因为更高的信噪比，对补丁进行统计可能会导致更好的背景和前景分类。

在此之后，我得到了大约100个补丁，这些补丁应具有类似的配置文件，SLIC的结果似乎是合理的。我一直在阅读关于图形切割（Kolmogorov论文）的内容，尝试解决我所遇到的二元问题似乎很不错。所以，我构建了一个图，它是一阶MRF，我在直接邻居之间有边缘（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进行分割。所以，我正在考虑一元术语，我可以将其建模为一个简单的高斯，其中背景应该具有零均值强度，前景应该具有一些非零均值。虽然，我正在努力弄清楚如何编码这个。我应该假设一些噪声方差并直接使用补丁统计计算概率吗？

同样，对于邻近的补丁，我确实希望鼓励他们采用类似的标签，但我不确定我可以设计哪种二元术语来反映这一点。似乎只是标签（1或0）之间的区别似乎很奇怪......

抱歉这个冗长的问题。希望有人可以提供一些有用的提示，如何开始。

Answer 1

您可以在超像素上构建CRF模型，这样超像素就可以与另一个超像素连接，如果它是它的邻居。

对于您的统计模型Pixel Wise Posteriors计算简单且便宜。

所以，我建议CRF的一元条款如下：

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，而不是超像素））。
2. 对于每个超像素，对其中的像素进行独立假设，使得超像素成为前景或背景的可能性是超像素中每个观察的产物（实际上，我们总和日志）。个别似然项来自您生成的直方图。
3. 计算前景的后验，作为上述前景的累积似然除以两者的累积似然的总和。类似于背景。

超像素之间的成对术语可以像每个通过内核的平均观察纹理（逐像素）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。