《表1 不同模型在BSDS300数据集上的F值》

  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

《基于环绕抑制模型的轮廓检测》

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

本文进一步定量比较了不同模型的性能，表1列出了基于生物启发的各检测模型的比较结果，可以发现，基于多线索的环绕抑制模型（α=3.0）的F值为0.62，若将直接将α值增大到5.0，基于多线索的环绕抑制模型的性能会有大幅的下降，由于对图像过分抑制，虽然抑制了更多的纹理，但轮廓也受到了很大的破坏，导致F值仅仅为0.57.而本文模型相比其他的环绕抑制模型取得了最高的F值，虽然在本文中，α取值为5.0，但本文设计的解抑制项将轮廓保留下来，避免更多的轮廓被抑制，这证明本文设计的解抑制机制是合理且有效的.虽然从表中可以看到本文模型低于一些基于学习的算法，但是基于学习的算法往往需要大量的时间去训练，并且往往依赖于训练数据.除此之外，基于学习的轮廓检测算朝向法也使用了更多的线索和尺度，计算复杂度非常高.例如gPb算法虽然取得了较高的F值，但由于使用了复杂的纹理计算和谱聚类的全局化导致特别耗时.而本文模型基于生物学上的启发，不需要经过长时间的训练，也取得较好的结果，完成了性能和复杂度上较好的平衡.