知识卡片
对比实验划出的适用边界
实验在六幅复杂背景弱小目标图和三幅面目标图上,与Top-hat、Max-mean、Max-median、TDLMS、Shi’s五种方法对比。结果不是一边倒,而是一张能力分布图:Top-hat抑制复杂背景较好,但目标极暗时增强不足;Max-mean与Max-median在面目标区域增强较弱;TDLMS抑制背景强,却严重依赖权值矩阵步长,背景复杂时残留杂波;Shi’s在噪声少的图上指标甚至高于本方法,但噪声一强就明显退化。本方法的优势来自自适应Gabor保边加背景预测压背景的组合,在强噪声、多杂波条件下更稳,同虚警率下检测概率更高。边界也清楚:调节因子需按场景标定,验证只用单帧小样本,结论限于红外、复杂背景、多尺度目标这一设定。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 人脑视觉系统的感受野机制及其应用 · 查看原书依据
根据第六列的结果,Shi's算法可在复杂背景下较好地提取小目标,然而,当原始图像有大量的噪声时,如图3.7(a),(b)和(d)所示,检测结果亦会残留大量的噪声
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第3章 人脑视觉系统的感受野机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt003.html)
- 结论依据:实验在六幅复杂背景弱小目标图和三幅面目标图上,与Top-hat、Max-mean、Max-median、TDLMS、Shi's五种方法对比。
- 原始内容:根据第六列的结果,Shi's算法可在复杂背景下较好地提取小目标,然而,当原始图像有大量的噪声时,如图3.7(a),(b)和(d)所示,检测结果亦会残留大量的噪声