《表2 运行时间和分割精确度的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于多字典学习的图像分割模糊方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图8给出FRC方法与Graph-cut方法在合成纹理测试图像上的分割结果.我们尽力调节这两种方法的参数，以获得最好的分割结果，然而仍然能观察到很多孤立区域和不正则的边，甚至无效的分割结果.从图8中第1行第1列、第1行第3列和第2行第2列的分割结果可以看到，FRC方法在这三个图像上也能获得有效的分割结果，然而在其它测试图像上分割效果较差.FRC方法只考虑到边界的正则性和不同区域的灰度信息，并没有考虑不同区域纹理模式的差异.由于这三个图像不同区域的平均灰度差异较大，所以FRC方法能够获得有效的分割结果.然而其它测试图像中，不同区域以纹理模式为主要特征，并且很多区域的平均灰度较为相似，FRC方法没有考虑局部纹理结构，因此导致较差的分割结果.特别可以看到图8中第一个分割结果，该测试图像完全以纹理模式为区域特征，FRC方法无法分割这类图像.从图8中的第3行和第4行可以看到，虽然Graph-cut方法能够得到相对有效的分割结果，然而我们在实验中发现，尽管调节不同的参数，但在合成纹理图像上很难得到较为正则的分割边界，并且分割精确度也低于本文方法.表2列出本文方法、FRC方法与Graph-cut方法分割合成纹理测试图像的运行时间、分割精确度.从运行时间上来看，FRC方法最快，Graph-cut方法最慢.从分割精度上来看，本文方法最优.不论在视觉上还是分割精确度上，由以上对比实验可以看到本文方法的优势.