Pixel-Normalverteilungsrechner
Der Pixelnormalverteilungsrechner kann mit statistischen Hintergrundmodellierungsalgorithmen für die Pixelklassifizierung in Echtzeit verwendet werden.
Zunächst ist zu bedenken, dass selbst kontinuierliche Messungen tatsächlich diskret sind. Beispielsweise gilt die Temperatur immer als kontinuierlich, aber jedes Mal, wenn Temperaturdaten verarbeitet werden, handelt es sich bei diesen Daten um diskrete Daten mit einer Genauigkeit, die mit der des Sensors vergleichbar ist, der sie misst. Das Gleiche gilt für jede physikalisch messbare Größe (einschließlich Intensität). Allerdings macht es bei unseren modernen physikalischen Modellen keinen Sinn, sich Temperaturen so vorzustellen, als ob sie diskreten Massenwahrscheinlichkeiten mit Tausenden von möglichen Ausgängen folgen und jeder sie unter der Annahme der Kontinuität untersucht.
Wo setzen wir also die Grenzen? Wann entscheiden wir, dass es „zu viele“ mögliche Ausgaben gibt, um mit einer Wahrscheinlichkeitsmassenfunktion umzugehen, und entscheiden uns für die Verwendung einer kontinuierlichen Verteilung? Das ist eine offene Frage! :) :)
Die Sache ist die Sache: Bei der kontinuierlichen Verarbeitung diskreter Daten gehen keine Informationen verloren, es gibt also keine Einschränkungen!
Wenn wir nun die Pixelintensität eines Bildes betrachten, müssen wir meistens diskrete Qualitätswahrscheinlichkeiten mit 256 möglichen Ausgaben berücksichtigen, was bedeutet, dass 256 Parameter (oder Gewichte) geschätzt oder angepasst werden müssen. Wenn wir die Intensität über eine kontinuierliche Verteilung modellieren, wird die Anzahl der Parameter deutlich reduziert! Nehmen Sie zum Beispiel Gauß: 2 Parameter. Selbst bei komplexeren Verteilungen oder Mischungsmodellen müssen wir nicht Hunderte von Parametern optimieren. Das ist der Hauptvorteil! Kompakte Darstellung!
Was die Wahl des Gaußschen Verfahrens betrifft, können wir sagen, dass empirisch bewiesen wurde, dass es gut funktioniert. Auch der zentrale Grenzwertsatz unterstützt diese häufige Wahl. Das Fazit ist nun, dass viele Algorithmen leicht verfügbar sind, vorausgesetzt, die Daten folgen einer Gaußschen Verteilung, wodurch sie von Fachleuten häufiger verwendet werden. Das bedeutet nicht, dass es keine anderen Dinge gibt, aber das ist die Realität.