Studies reported in [9], [10] have

Studies reported in [9], [10] have tried to employ the MRF
model for image change detection (ICD). In [9], one image is
subtracted from the other, pixel by pixel, and two thresholds
(one low and one high) are then selected. If the difference
intensity level of a pixel is lower than the low threshold, then
this pixel is put in the absolute unchanged class. If the intensity
level is greater than the high threshold, the corresponding pixel
is put in the absolute changed class. The remaining pixels whose
difference intensity levels are between these two thresholds are
subjected to further processing where the spatial-contextual
information based on the MRF model is considered. A similar
approach can be found in [10]. Again, this algorithm can be
divided into two parts. In the first part, a pixel-based algorithm
[1] determines an initial change image (CI) that is further refined
based on the MRF model in the second part. Some information
is lost while obtaining the initial CI, since the observed data are
projected into a binary image whose intensity levels represent
change or no change. We observe that studies in [9] and [10]
do not fully utilize all the information contained in images;
moreover, the preservation of MRF properties is not guaranteed.
In [11], the effect of image transformations on images that
can be modeled by MRFs is studied. It has been shown that
MRF properties may not hold after many transformations such
as resizing of an image and subtraction of one image from
another. For some specific transformations, MRF properties
are preserved, but a new set of potential functions must be
obtained. Since a difference image can be looked upon as a
transformation, MRF modeling of a difference image in [9]
and initial CI in [10] may not be valid. This provides the
motivation for the development of an ICD algorithm that uses
additional information available from the image and preserves MRF properties. Here, we develop an ICD algorithm that
consists of only one part. The observed images modeled as
MRFs are directly processed by the maximum a posteriori
(MAP) detector, which searches for the global optimum.

ผลลัพธ์ (ไทย) 1:

Studies reported in [9], [10] have tried to employ the MRFmodel for image change detection (ICD). In [9], one image issubtracted from the other, pixel by pixel, and two thresholds(one low and one high) are then selected. If the differenceintensity level of a pixel is lower than the low threshold, thenthis pixel is put in the absolute unchanged class. If the intensitylevel is greater than the high threshold, the corresponding pixelis put in the absolute changed class. The remaining pixels whosedifference intensity levels are between these two thresholds aresubjected to further processing where the spatial-contextualinformation based on the MRF model is considered. A similarapproach can be found in [10]. Again, this algorithm can bedivided into two parts. In the first part, a pixel-based algorithm[1] determines an initial change image (CI) that is further refinedbased on the MRF model in the second part. Some informationis lost while obtaining the initial CI, since the observed data areprojected into a binary image whose intensity levels representchange or no change. We observe that studies in [9] and [10]do not fully utilize all the information contained in images;moreover, the preservation of MRF properties is not guaranteed.In [11], the effect of image transformations on images thatcan be modeled by MRFs is studied. It has been shown thatMRF properties may not hold after many transformations suchเป็นการปรับขนาดของภาพและลบภาพหนึ่งจากการอื่น สำหรับแปลงเฉพาะบาง คุณสมบัติ MRFมีเก็บ แต่ชุดใหม่อาจต้องเป็นฟังก์ชันรับ เนื่องจากรูปความแตกต่างที่สามารถจะมองเป็นการการเปลี่ยนแปลง MRF โมเดลของความแตกต่างของภาพใน [9]และ CI ใน [10] เริ่มต้นอาจไม่ถูกต้อง ให้การแรงจูงใจสำหรับการพัฒนาอัลกอริทึมการ ICD ที่ใช้ข้อมูลเพิ่มเติมจากคุณสมบัติ MRF รูปและกวน ที่นี่ เราพัฒนาอัลกอริทึมการ ICD ที่ประกอบด้วยส่วนหนึ่งเท่านั้น สังเกตภาพจำลองเป็นโดยตรงในการประมวลผล MRFs โดย posteriori เป็นสูงสุดจับ (แผนที่) ซึ่งมีประสิทธิภาพสูงสุดทั่วโลกค้นหา

ผลลัพธ์ (ไทย) 2:

การศึกษารายงานใน [9] [10] ได้พยายามที่จะจ้าง MRF
รูปแบบสำหรับการตรวจสอบการเปลี่ยนแปลงของภาพ (ICD) ใน [9]
ซึ่งเป็นหนึ่งในภาพจะถูกหักออกจากอื่นๆ พิกเซลโดยพิกเซลและสองเกณฑ์
(ต่ำหนึ่งและเป็นหนึ่งในที่สูง) ได้รับการคัดเลือกแล้ว หากแตกต่างกันระดับความเข้มของพิกเซลต่ำกว่าเกณฑ์ที่ต่ำแล้วพิกเซลนี้จะใส่อยู่ในระดับไม่เปลี่ยนแปลงแน่นอน หากความรุนแรงระดับสูงกว่าเกณฑ์ที่สูงพิกเซลที่สอดคล้องกันจะใส่อยู่ในระดับที่มีการเปลี่ยนแปลงแน่นอน พิกเซลที่เหลือที่มีระดับความรุนแรงที่แตกต่างกันอยู่ระหว่างทั้งสองเกณฑ์ที่จะถูกยัดเยียดให้ดำเนินการต่อไปที่บริบทเชิงพื้นที่-ข้อมูลตามแบบMRF ถือว่าเป็น ที่คล้ายกันวิธีการที่สามารถพบได้ใน [10] อีกครั้งขั้นตอนวิธีนี้สามารถแบ่งออกเป็นสองส่วน ในส่วนแรกเป็นอัลกอริทึมพิกเซลที่ใช้[1] กำหนดภาพการเปลี่ยนแปลงครั้งแรก (CI) ที่กลั่นต่อไปขึ้นอยู่กับรูปแบบMRF ในส่วนที่สอง ข้อมูลบางอย่างจะหายไปในขณะที่ได้รับ CI เริ่มต้นตั้งแต่การสังเกตข้อมูลที่มีการคาดการณ์ไว้เป็นภาพไบนารีที่มีระดับความรุนแรงเป็นตัวแทนของการเปลี่ยนแปลงหรือไม่มีการเปลี่ยนแปลง เราสังเกตว่าการศึกษาใน [9] และ [10] ไม่ได้ใช้ประโยชน์อย่างเต็มที่ข้อมูลทั้งหมดที่มีอยู่ในภาพ;. นอกจากนี้การเก็บรักษาของคุณสมบัติ MRF จะไม่รับประกันใน[11], ผลกระทบของการเปลี่ยนแปลงภาพบนภาพที่สามารถจำลองโดยมีการศึกษา MRFs มันได้รับการแสดงให้เห็นว่าคุณสมบัติ MRF ไม่อาจถือหลังจากการเปลี่ยนแปลงหลายอย่างเช่นเป็นการปรับขนาดของภาพและลบของภาพหนึ่งภาพจากที่อื่น สำหรับการเปลี่ยนแปลงบางคุณสมบัติ MRF จะถูกเก็บไว้ แต่ชุดใหม่ของฟังก์ชั่นที่มีศักยภาพจะต้องได้รับ เนื่องจากความแตกต่างของภาพที่สามารถมองว่าเป็นการเปลี่ยนแปลงการสร้างแบบจำลอง MRF ของภาพที่แตกต่างใน [9] และ CI เริ่มต้นในการ [10] อาจไม่ถูกต้อง นี้จะให้แรงจูงใจสำหรับการพัฒนาอัลกอริทึมที่ใช้ ICD ข้อมูลเพิ่มเติมสามารถหาได้จากภาพและรักษาคุณสมบัติ MRF ที่นี่เรามีการพัฒนาอัลกอริทึม ICD ที่ประกอบด้วยเพียงส่วนหนึ่ง ภาพจำลองเป็นที่สังเกตMRFs มีการประมวลผลโดยตรงจากสูงสุด posteriori (MAP) เครื่องตรวจจับซึ่งการค้นหาที่ดีที่สุดสำหรับทั่วโลก

ผลลัพธ์ (ไทย) 3:

การศึกษารายงาน [ 9 ] , [ 10 ] ได้พยายามจ้าง mrf
รูปแบบการตรวจจับการเปลี่ยนแปลงภาพลักษณ์ ( ICD ) [ 9 ] , หนึ่งภาพ
หักออกจากอื่น ๆโดยพิกเซลพิกเซล และสองเกณฑ์
( หนึ่งต่ำและสูง ) แล้วเลือก ถ้าความแตกต่าง
ระดับความเข้มของพิกเซลต่ำกว่าเกณฑ์ต่ำแล้ว
พิกเซลนี้วางอยู่ในชั้นไม่เปลี่ยนแปลงแน่นอน ถ้าความเข้ม
ระดับมีค่ามากกว่าเกณฑ์สูง
พิกเซลที่ใส่แน่นอน เปลี่ยนคลาส เหลือพิกเซลที่มีความเข้มระดับ
ความแตกต่างระหว่างทั้งสองซึ่งเป็น
ภายใต้การประมวลผลเพิ่มเติมที่เชิงบริบท
ข้อมูลตามรูปแบบ mrf ถือว่า คล้ายๆ
สามารถพบได้ใน [ 10 ] อีก วิธีนี้สามารถ
แบ่งออกเป็นสองส่วน ในส่วนแรกของพิกเซล
[ 1 ] จะเปลี่ยนจากภาพแรก ( CI ) ที่เพิ่มเติมการกลั่น
ขึ้นอยู่กับ mrf รูปแบบในส่วนที่สอง ข้อมูล
หายไปในขณะที่ได้รับ CI เริ่มต้น เนื่องจากข้อมูลจะฉายเป็นภาพไบนารี
ที่มีความเข้มระดับเป็นตัวแทน
เปลี่ยนหรือไม่เปลี่ยน เราสังเกตว่า การศึกษาใน [ 9 ] และ [ 10 ]
ไม่ได้ใช้ประโยชน์อย่างเต็มที่ทั้งข้อมูลที่อยู่ในรูป ;
นอกจากนี้ รักษา mrf คุณสมบัติจะไม่รับประกัน
[ 11 ] ผลของการแปลงภาพบนภาพที่สามารถ mrfs
แบบมีการศึกษา มันได้ถูกแสดงว่า
คุณสมบัติ mrf อาจถือหลังจากหลายแปลง เช่น การปรับขนาดของภาพ
เป็นและการลบของภาพหนึ่งภาพจาก
อีกสำหรับบางคนโดยเฉพาะการแปลง mrf คุณสมบัติ
จะยังคงอยู่ แต่ชุดใหม่ของศักยภาพการทำงานต้อง
) เนื่องจากความแตกต่างของภาพสามารถถูกมองว่าเป็น
การแปลง , mrf แบบจำลองของความแตกต่างของภาพใน [ 9 ]
เริ่มต้น CI ใน [ 10 ] อาจจะไม่ถูกต้อง นี้ให้
แรงจูงใจสำหรับการพัฒนาขั้นตอนวิธีที่ใช้
ไอซีดีข้อมูลจากภาพเพิ่มเติมและรักษา mrf คุณสมบัติ ที่นี่ เราพัฒนาขั้นตอนใหม่ที่
ประกอบด้วยแค่เพียงส่วนเดียว สังเกตที่ภาพแบบ
mrfs โดยประมวลผลสูงสุดจากผลไปสู่เหตุ
( แผนที่ ) ตรวจจับ ซึ่งการค้นหาทั่วโลกสำหรับ