Because image pixels are the conseq

Because image pixels are the consequence of the discrete representation of images and are not natural entities, therefore,when we 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:

เนื่องจากพิกเซลภาพสัจจะแสดงไม่ต่อเนื่องของภาพ และไม่ ธรรมชาติตี ดังนั้น เมื่อเราประเมินหลอดไฟ ภาพบางส่วนภูมิภาคเสมอได้ไม่สามารถสร้างการประเมินประสิทธิภาพของหลอดไฟ [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:

เพราะพิกเซลภาพที่มีผลมาจากการที่ไม่ต่อเนื่องของการแสดงภาพและหน่วยงานที่ไม่เป็นธรรมชาติดังนั้นเมื่อเราประเมินสว่างภูมิภาคภาพบางส่วนมักจะไม่สามารถผลิตที่แข็งแกร่งของประมาณการสว่าง [33]. โดยแบ่งกลุ่มภาพเป็นพิกเซล กลุ่มที่มีความมั่นคงสีเทาและสีเนื้อsuperpixel สามารถเกิดขึ้น Superpixels พาร์ทิชันภาพเป็นภูมิภาคที่มีประมาณสม่ำเสมอในขนาดและรูปร่าง ซุปเปอร์พิกเซลจะกลายเป็นที่นิยมมากขึ้นในการมองเห็นของคอมพิวเตอร์มากการใช้งาน [34] ประโยชน์จาก superpixels มีการวิเคราะห์และแสดงให้เห็นในการใช้งานเช่นการรับรู้วัตถุ [35] และ segmen- ช่อ [36] มะเดื่อ 1 แสดงการแบ่งส่วน superpixel ซึ่งในภาพจะถูกแบ่งออกเป็น superpixels และ superpixel แต่ละแสดงให้เห็นลักษณะที่มองเห็นเดียวกันซึ่งสามารถก่อให้เกิดความเร็วมากขึ้นจากการประมวลผลที่ตามมา ดังนั้นทางเลือกที่ระมัดระวังของซุปเปอร์วิธีพิกเซลและพารามิเตอร์สำหรับการใช้งานโดยเฉพาะอย่างยิ่งมีความสำคัญ เราใช้ TurboPixels [37] ในการสกัด superpixels จากภาพในที่หนึ่งคือประมาณ superpixel สม่ำเสมอในเนื้อและสีเทาเพื่อให้ขอบเขตของภูมิภาคจะถูกเก็บไว้ เพื่อที่จะเข้ารหัสสีเทา, สีพื้นผิวและข้อมูลเชิงพื้นที่เข้า superpixels เราอธิบายแต่ละ superpixel ญโดย vec- คุณลักษณะเวฟ 7 มิติต Fj = (F1, F2, ... , f7) ซึ่ง Fj เป็นค่าเฉลี่ยเวฟ ของทุก

ผลลัพธ์ (ไทย) 3:

เพราะพิกเซลภาพคือ ผลพวงของการไม่ต่อเนื่องของภาพและไม่ใช่นิติบุคคล ธรรมชาติ ดังนั้น เมื่อเราคำนวณการส่องสว่าง , ภูมิภาคภาพบางส่วนก็ไม่สามารถผลิตประเมินประสิทธิภาพของระบบแสงสว่าง [ 33 ]



ภาพพิกเซลโดยแบ่งส่วนในกลุ่มสีเทาและพื้นผิวคงที่ ,
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