Основна ідея така: з інформацією про колір немає нічого поганого - просто недостатньо. Тому найкраще поєднувати кілька наборів функцій.
Ви можете спробувати кілька функцій, щоб вирішити цю неоднозначність. Що стосується набору функцій, ви можете використовувати наступне:
- Колір (щось на кшталт домінуючого кольору MPEG7) АБО Історія кольорів
- Текстура (або у формі фільтрування відповіді банку) АБО
- Крайові гістограми
Як першочергове порівняння, я спершу хотів би зробити відмінність між чистою цегляною лапою проти чистої трави. Для цього колір, безумовно, є найбільш потенційним елементом.
Поєднання функцій, щоб зробити більш надійною класифікацію
Я б використовував домінуючий колір (використовує, але не єдиний) або ключовий колір і формує кластери. Подивіться, де лежать головки скупчень;
Якщо обидві головки кластерів знаходяться в межах очікуваних областей, клас, як правило, легко виявити, якщо вони потрапляють у сіру зону, то клас належить туди. Якщо вона потрапляє в сіру область, потрібна інша особливість.
Самвей, ви можете самостійно класифікувати за допомогою матриці текстури, а потім комбінувати обидва бали, щоб гарантувати, що результати мають сенс.
Справа з просторовими проблемами
Зокрема, коли ви розумієте, що латки можуть містити його частини, що складають половину цегли та половину трави. Я думаю, вам більше не потрібні додаткові функції або інша матриця. З цим можна впоратися двома способами.
1. Зберігайте кілька виправлень членства як різні класи.
Наприклад, крім birck-onlyкласу і grass-onlyкласу, ви також можете мати half-brick-half-grass-verticalі half-brick-half-grass-horizontalзагалом чотири класи. Це можна легко класифікувати за допомогою методу кластеризації, про який ми говорили раніше.
2. Додайте багатомасштабну класифікацію
Наприклад, якщо патч знаходиться в сірій області, ви можете розділити патч на дві частини, тобто ліву та праву. Таким же чином можна розділити верхній і нижній. Тепер ви можете застосувати ідентичну класифікацію для цієї «половини». В ідеалі вищеперелічена функція повинна дозволяти вам зробити масштабованим порівняння подібності функції між повною частиною (наприклад, домінуючий колір може бути однаковим незалежно від розміру), або вам, можливо, доведеться змінити його розмір.
Додавання більше класів (як у частині 1) або більше рівнів (як у частині 2) буде прямо; верхня межа буде випливати двома факторами - будь-який додатковий поділ більше не додаватиме ніякої цінності класифікації, або надмірний шум ефективно внесе неоднозначність у класифікацію. Тут ви зупиняєтесь.
