Now we face the problem of approxim

Now we face the problem of approximating the Cq coefficients. Here using a Taylor expansion does not help much, so we decided to freeze the coefficients (make them constant)
and look at the predicted rates for the worst possible scenario, i.e., when the coefficients are very anisotropic. We also note that, as remarked before, the present analysis is valid when the algorithm has almost reached convergence. At this stage, the change in the values of the coefficients is almost null (they remain almost constant), and the edges in the image have reached their sharpest form; i.e., the coefficients are very anisotropic in these regions. These two observations back up our decision to use constant coefficients in the LFA analysis.

ผลลัพธ์ (ไทย) 1:

ตอนนี้ เราเผชิญกับปัญหาระหว่างค่าสัมประสิทธิ์ซี ที่นี่ใช้เทย์เลอร์ขยายช่วยมาก ดังนั้นเราตัดสินใจที่จะตรึงค่าสัมประสิทธิ์ (ให้คง)และดูที่ราคาคาดการณ์ในสถานการณ์สุดเลวร้ายที่สุด เช่น เมื่อสัมประสิทธิ์ anisotropic มาก เรายังทราบว่า กล่าวก่อน การวิเคราะห์ปัจจุบันเป็นถูกต้องเมื่ออัลกอริทึมเกือบแล้วบรรจบกัน ในขั้นตอนนี้ การเปลี่ยนแปลงในค่าของสัมประสิทธิ์เป็น null เกือบ (เขาคงเกือบ), และขอบในภาพแล้วความคมชัดแบบฟอร์ม เช่น สัมประสิทธิ์เป็น anisotropic มากในภูมิภาคเหล่านี้ ข้อสังเกตเหล่านี้สองสำรองของเราตัดสินใจจะใช้สัมประสิทธิ์คงวิเคราะห์ LFA

ผลลัพธ์ (ไทย) 2:

ตอนนี้เราต้องเผชิญกับปัญหาที่เกิดจากการประมาณค่าสัมประสิทธิ์ Cq นี่คือการใช้การขยายตัวเทย์เลอร์ไม่ได้ช่วยมากดังนั้นเราจึงตัดสินใจที่จะตรึงค่าสัมประสิทธิ์ (ทำให้พวกเขาคงที่)
และมองในอัตราที่คาดการณ์ไว้สำหรับสถานการณ์ที่เลวร้ายที่สุดคือเมื่อค่าสัมประสิทธิ์เป็น anisotropic มาก นอกจากนี้เรายังทราบว่าเป็นข้อสังเกตก่อนที่จะวิเคราะห์ในปัจจุบันที่ถูกต้องเมื่ออัลกอริทึมที่มีถึงเกือบบรรจบกัน ในขั้นตอนนี้การเปลี่ยนแปลงในค่าสัมประสิทธิ์เกือบจะเป็นโมฆะ (พวกเขายังคงอยู่เกือบตลอด) และขอบในภาพได้ถึงรูปแบบที่คมชัดของพวกเขา; นั่นคือค่าสัมประสิทธิ์เป็น anisotropic มากในภูมิภาคนี้ ทั้งสองข้อสังเกตสำรองการตัดสินใจของเราที่จะใช้ค่าสัมประสิทธิ์คงที่ในการวิเคราะห์ LFA

ผลลัพธ์ (ไทย) 3:

ตอนนี้เราต้องเจอกับปัญหาของการ CQ ประมาณค่าสัมประสิทธิ์ ที่นี่ใช้ Taylor ขยายตัวช่วยอะไรไม่ได้มาก ดังนั้นเราจึงตัดสินใจที่จะตรึงค่าให้คงที่ )
และดูอัตราที่คาดการณ์ไว้สำหรับสถานการณ์ที่เลวร้ายที่สุดที่เป็นไปได้ คือ เมื่อน้ำมีทิศทาง . นอกจากนี้เรายังทราบว่า ตามที่กล่าวก่อนหน้านี้การวิเคราะห์ปัจจุบันใช้ได้เมื่ออัลกอริทึมมีถึงเกือบบรรจบกัน . ในขั้นตอนนี้ การเปลี่ยนแปลงในค่าของสัมประสิทธิ์เกือบเป็น null ( พวกเขายังคงเกือบคงที่ ) และขอบในของภาพถึงคมชัดแบบ คือ แบบมีทิศทางในภูมิภาคเหล่านี้เหล่านี้สองตัวอย่างหลังการตัดสินใจของเราที่จะใช้ค่าคงที่สัมประสิทธิ์ในการวิเคราะห์วง .