在 RGB 通道而不是最终图像上应用 Delaunay 三角剖分

Posted

技术标签:

【中文标题】在 RGB 通道而不是最终图像上应用 Delaunay 三角剖分【英文标题】:Applying Delaunay Triangulation on RGB channels instead of final image 【发布时间】:2021-10-01 17:30:00 【问题描述】:

首先,我对具有 3000 个三角形的图像应用了 Delaunay 三角剖分。我测量到与原始图像的相似度(SSIM)为 0.75。 (数值越高越相似)

然后我在图像的 RGB 通道上分别应用了 Delaunay 三角测量,每个通道有 1000 个三角形。然后我将 3 张图像组合在一起,形成了最终的图像。然后我测量了这个(SSIM)与原始图像的相似度为 0.65。 (数值越高越相似)

在这两种情况下;随机选择的点,包含三角形的像素的中值被选为三角形的颜色

我做了很多试验,但没有一个试验显示出更好的结果。

这不是很奇怪吗?想想看。我只是在一层上使用 1000 个随机三角形。然后在第二层再增加 1000 个。然后在第三层再增加 1000 个。当这些放在上面时,与最终的图像三角剖分相比,它应该创建 3000 多个独特的多边形。因为它们并不重合。

a) 这背后的原因是什么?

b) 当我在 RGB 通道上单独应用 delaunay 三角测量而不是在图像本身上应用它时,我可以获得什么优势?很明显,我无法获得更好的相似性。但也许存储明智我可以变得更好吗?也许在其他领域?它们是什么?

【问题讨论】:

【参考方案1】:

当每一层中的三角形不重合时,它会在亮度上产生低通滤波效果,因为对像素亮度有贡献的三个三角形大于在另一种情况下得到的单个三角形。

很难对这两种方法提出任何“优势”,因为我们并不真正知道你为什么要这样做。

如果你想要更好的相似度,那么你必须选择更好的点。我建议使选择点的概率与该点的梯度大小成正比。

【讨论】:

以上是关于在 RGB 通道而不是最终图像上应用 Delaunay 三角剖分的主要内容,如果未能解决你的问题,请参考以下文章

颜色空间缩减和计时函数

具有任意数量输入通道(超过 RGB)的卷积神经网络架构

在 OpenCV 中从 RGB 图像访问通道的更快方法?

如何计算图像中的 RGB 或 HSV 通道组合?

卷积神经网络如何处理频道

多通道(比方RGB三通道)卷积过程