《表1 图5所示方法的参数设置及性能指标》

  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

《基于分频视觉机制的显著轮廓特征提取方法》

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

采用式（21)～(23）对图5的二值轮廓图进行定量的指标分析，获得最优的效果参数，具体结果如表1所示。从表1可知，定量的性能指标基本与图5的定量描述一致。GD方法的漏检率eFN较小，表明获得的轮廓较完整，而误检率eFP非常大，并没有对背景纹理进行抑制，整体P值不太理想。CORF方法相比于GD方法误检率显著减少，但漏检率较高，说明纹理区域并未有效的抑制，还存在大量的毛刺在轮廓周边，P值虽有提高，但整体效果不佳。ISO方法总体上在误检和漏检之间达到了一个平衡，整体性能上有较大的改善，但有些图的误检和漏检还存在较大的差异，如lions图像，漏检率比误检率大得多，且从图5中发现图像主体轮廓具有部分残缺。而MCI方法在大多数情况下有较低的误检率和漏检率，但整体却并没有表现出太大的优势。而文献[6]方法的误检率eFP相对偏高，导致P值较低，轮廓边缘存在毛刺现象。文献[7]方法的误检率eFP和漏检率eFN相对平衡，且在大部分情况下都比前几种方法小，最终的性能指标仅次于本文方法。本文方法在随机挑选的5幅图的实验结果中，误检率保持较低水平的同时，依然能保持较合理的漏检率，同时实验结果的P在对比的几种方法中都能取得最好值，明显优于表1中前6种方法，进一步从定量的角度验证了本文方法的有效性。