Гибридное разделение в Crystal Space 3D

Как я уже упоминал в предыдущем посте, использование гибридного разделения между линейным и логарифмическим разделением может быть хорошей идеей. Потому что, когда не получается линейная схема разделения, можно использовать логарифмическую и наоборот.

Потому что, когда несколько слоев содержат одинаковую информацию, могут появляться артефакты. Выбирая соотношение между линейным и логарифмическим разделением то, которое создает последовательные слои, которые отличаются друг от друга, насколько это возможно. Иначе говоря, каждый новый слой должен иметь новую информацию. С точки зрения компьютерного видения, это может быть переведено, как можно меньше общей информации между этими изображениями.

Были протестированы два способа измерения взаимной информации: сумма абсолютной разницы и коэффициент взаимной корреляции.

Сумма абсолютных разностей достаточно прямолинейна для вычисления, и это требует добавления абсолютного значения разницы между каждыми двумя соответствующими пикселами из двух изображений.

Коэффициент взаимной корреляции представляет собой соотношение между ковариацией двух изображений и произведением своего стандартного отклонения, и может быть вычислен по следующей формуле:



где Ī(•) это среднее значение изображения I. Другим полезным свойством корреляции является то, что она принимает значения по шкале от [-1, 1], что дает линейное указание на сходства между изображениями.

Как и следовало ожидать из результатов прошлого поста, общей информации меньше выбирая более линейное разделение для разреженных объектов и более логарифмическое для более плотных объектов (рис. 1).

Рисунок 1. Участок созданный с использованием GNUPLOT. Отображение соотношений линейного разделения к логарифмическому разделению от 0 до 1.

Как мы можем видеть из рисунка 1, коэффициент взаимной корреляции (показан зеленым) охватывает более широкий диапазон значений, что дает более точную оценку для каждого значения плотности, он был выбран в качестве метода по умолчанию для вычисления общей информации. Кросс-корреляция, вероятно, работает лучше, в связи с влиянием стандартного отклонения, которая полностью пренебрегает показателем суммы абсолютных разностей (показан красным цветом).