← 返回刚才阅读的位置

知识卡片

操作参考卡 · 9597.j · 生成模型:DeepSeek-V4.1-Flash

松弛阈值加权融合

理解等级:中级

单次阈值分割的结果高度依赖阈值取值,SC模型用一组阈值投票来降低这种敏感性。

可复现步骤: 1. 将通道特征图灰度拉伸到[0,255]; 2. 用固定步长δ=4的阈值组{Ti}(范围3~251)逐一分割,每个阈值得到一幅二值权重特征图; 3. 对每幅图计算权值 w=Ntotal/Nfront,Nfront为前景像素数,Ntotal为全图像素数; 4. 按权值把所有二值图加权求和,得到该通道的显著图。

机制是:真实目标在很宽的阈值范围内都能被分出,因而在多数二值图中反复出现并被累加;随机杂波只在少数阈值下出现,被稀释。权值取总数比前景数,等于给“只挑出少数最亮区域”的分割更高权重。

代价是计算量随阈值数量线性增长(本例约60次分割),且步长与范围需按目标亮度分布设定:目标极暗时低阈值端会产生大面积前景,反而拉低权值。

这张卡片看不懂?

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

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第5章 人脑视觉系统的视觉注意机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt005.html) - 结论依据:单次阈值分割的结果高度依赖阈值取值,SC模型用一组阈值投票来降低这种敏感性。 - 原始内容:然后采用固定步长δ的松弛阈值组{Ti}对特征图进行分割,得到权重特征图。设置步长δ=4,阈值组{Ti}的选取范围为3~251,以平衡计算效率与检测性能。