Because image pixels are the conseq

Because image pixels are the consequence of the discrete repre-
sentation of images and are not natural entities, therefore,whenwe
estimate the illuminant, partial image regions always is unable to
produce a robust estimate of the illuminant [33]. By segmenting
image into the pixel groups with gray and texture constancy, the
superpixel can be formed. Superpixels partition an image into
regions which are approximately uniform in size and shape. Super-
pixels are becoming increasingly popular in many computer vision
applications [34]. The advantage of superpixels is analyzed and
shown in applications, such as object recognition [35] and segmen-
tation [36]. Fig. 1 shows superpixel segmentation, in which the
image is divided into superpixels and each superpixel shows the
same visual appearance, which can cause substantial speed-up of
subsequent processing. Therefore, the careful choice of the super-
pixel method and its parameters for the particular application are
crucial. We use TurboPixels [37] to extract superpixels from an
image, in which one superpixel is roughly uniform in texture and
gray, so that the boundaries of regions are preserved. In order to
encode gray, texture and spatial information into superpixels, we
describe each superpixel j by a 7-dimensional wavelet feature vec-
tor Fj =(f1, f2, ... , f7), in which Fj is the average wavelet value of all

ผลลัพธ์ (ไทย) 1:

เนื่องจากพิกเซลภาพ สัจจะแยกกัน repre-sentation ภาพ และไม่ธรรมชาติตี ดังนั้น whenweประเมินหลอดไฟ ภูมิภาคภาพบางส่วนจะไม่สามารถผลิตการประเมินประสิทธิภาพของหลอดไฟ [33] โดยต่อชิ้นรูปภาพในกลุ่มเซลที่มีสีเทาและเนื้อนำ การsuperpixel ที่สามารถเกิดขึ้น รูปภาพลงในพาร์ทิชัน superpixelsภูมิภาคซึ่งเป็นประมาณรูปในขนาดและรูปร่าง ซุปเปอร์-พิกเซลจะกลายเป็นที่นิยมมากขึ้นในหลายคอมพิวเตอร์วิทัศน์ใช้งาน [34] วิเคราะห์ประโยชน์ของ superpixels และแสดงในงาน การรู้จำวัตถุ [35] และ segmen-tation [36] Fig. 1 แสดงการแบ่งเซกเมนต์ superpixel ซึ่งการภาพถูกแบ่งออกเป็น superpixels และ superpixel แต่ละแสดงการเดียวกันรูปลักษณ์ ซึ่งสามารถทำให้เกิดการเร่งพบของการประมวลผลต่อไป ดังนั้น ทางระวังของซูเปอร์-วิธีพิกเซลและพารามิเตอร์สำหรับแอพลิเคชันเฉพาะสำคัญ เราใช้ TurboPixels [37] เพื่อดึง superpixels จากการรูปภาพ ที่ superpixel หนึ่งเป็นรูปหยาบ ๆ ในพื้นผิว และสีเทา เพื่อที่จะรักษาขอบเขตของภูมิภาค เพื่อเข้ารหัสสีเทา พื้นผิว และข้อมูลปริภูมิเป็น superpixels เราอธิบายแต่ละเจ superpixel โดยแบบ wavelet 7 มิติคุณลักษณะ vec-ต. Fj = (f1, f2,..., f7), ในซึ่ง Fj เป็นค่า wavelet เฉลี่ยทั้งหมด

ผลลัพธ์ (ไทย) 2:

เพราะพิกเซลภาพที่มีผลมาจากการที่ไม่ต่อเนื่องแลนโทรศัพท์
sentation ของภาพและหน่วยงานที่ไม่ได้ตามธรรมชาติจึง whenwe
ประเมินสว่างภูมิภาคภาพบางส่วนมักจะไม่สามารถที่จะ
ผลิตที่แข็งแกร่งของประมาณการสว่าง [33] โดยการแบ่งกลุ่ม
ออกเป็นกลุ่มภาพพิกเซลที่มีความมั่นคงสีเทาและสีเนื้อ
superpixel สามารถเกิดขึ้น Superpixels พาร์ทิชันภาพเป็น
ภูมิภาคที่มีประมาณสม่ำเสมอในขนาดและรูปร่าง ซุปเปอร์
พิกเซลจะกลายเป็นที่นิยมมากขึ้นในการมองเห็นของคอมพิวเตอร์มาก
การใช้งาน [34] ประโยชน์จาก superpixels มีการวิเคราะห์และ
แสดงให้เห็นในการใช้งานเช่นการรับรู้วัตถุ [35] และ segmen-
ช่อ [36] มะเดื่อ 1 แสดงการแบ่งส่วน superpixel ซึ่งใน
ภาพจะถูกแบ่งออกเป็น superpixels และ superpixel แต่ละแสดงให้เห็น
ลักษณะที่มองเห็นเดียวกันซึ่งสามารถก่อให้เกิดความเร็วมากขึ้นจาก
การประมวลผลที่ตามมา ดังนั้นทางเลือกที่ระมัดระวังของซุปเปอร์
วิธีพิกเซลและพารามิเตอร์สำหรับการใช้งานโดยเฉพาะอย่างยิ่งมีความ
สำคัญ เราใช้ TurboPixels [37] ในการสกัด superpixels จาก
ภาพในที่หนึ่งคือประมาณ superpixel สม่ำเสมอในเนื้อและ
สีเทาเพื่อให้ขอบเขตของภูมิภาคจะถูกเก็บไว้ เพื่อที่จะ
เข้ารหัสสีเทา, สีพื้นผิวและข้อมูลเชิงพื้นที่เข้า superpixels เรา
อธิบายแต่ละ superpixel ญโดย vec- คุณลักษณะเวฟ 7 มิติ
ต Fj = (F1, F2, ... , f7) ซึ่ง Fj เป็นค่าเฉลี่ยเวฟ ของทุก

ผลลัพธ์ (ไทย) 3:

เพราะภาพพิกเซลคือ ผลพวงของการไม่ต่อเนื่อง repre -
sentation ของภาพและไม่เป็นธรรมชาติ นิติบุคคล ดังนั้น whenwe
ประมาณการปริมาณแสงสว่าง , ภูมิภาคภาพบางส่วนก็ไม่สามารถ
ผลิตประมาณที่แข็งแกร่งของการส่องสว่าง [ 33 ] โดยการแบ่งภาพเป็นพิกเซล
กลุ่มสีเทาและลายความมั่นคง
superpixel สามารถเกิดขึ้น . superpixels แบ่งภาพเป็น
ภูมิภาคซึ่งมีประมาณชุดในขนาดและรูปร่าง ซูเปอร์ -
พิกเซลจะกลายเป็นที่นิยมมากขึ้นในการใช้งานหลายคอมพิวเตอร์วิสัยทัศน์
[ 34 ] ประโยชน์ของ superpixels วิเคราะห์และ
แสดงในการใช้งานเช่นการรับรู้วัตถุ [ 35 ] และ Segmen -
tation [ 36 ] รูปที่ 1 แสดงการแบ่งส่วน superpixel ซึ่งใน
ภาพ แบ่งเป็น superpixels และแต่ละ superpixel แสดง
ภาพ ที่ปรากฏเหมือนกัน ซึ่งสามารถก่อให้เกิดความสําคัญของ
การประมวลผลที่ตามมา ดังนั้น จึงจำเป็นต้องเลือก Super -
พิกเซล ) และพารามิเตอร์สำหรับเฉพาะโปรแกรมประยุกต์
สําคัญ เราใช้ turbopixels [ 37 ] แยก superpixels จาก
ภาพ ซึ่งเป็นหนึ่งใน superpixel ประมาณสม่ำเสมอในเนื้อและ
สีเทา ดังนั้นขอบเขตของภูมิภาคจะถูกรักษาไว้ เพื่อ
เข้ารหัสสีเทา , พื้นผิวและข้อมูลเชิงพื้นที่ใน superpixels เรา
อธิบายแต่ละ superpixel J โดย 7-dimensional เวฟคุณลักษณะสิ่ง -
TOR FJ = ( F1 , F2 , . . . F7 ) , ซึ่งใน FJ เป็นค่าเฉลี่ยเวฟค่าทั้งหมด