픽셀 정규 분포 계산기
픽셀 정규 분포 계산기는 실시간 픽셀 분류를 위해 통계적 배경 모델링 알고리즘과 함께 사용할 수 있습니다.
가장 먼저 고려해야 할 점은 연속 측정도 실제로는 이산적이라는 점입니다. 예를 들어 온도는 항상 연속적인 것으로 간주되지만 온도 데이터가 처리될 때마다 이러한 데이터는 측정에 사용되는 센서의 정확도와 비슷한 정확도를 가진 이산 데이터입니다. 모든 물리적, 측정 가능한 양(강도 포함)에 대해서도 마찬가지입니다. 하지만 현대의 물리적 모델을 사용하면 온도를 수천 개의 가능한 출력이 있는 이산 질량 확률을 따르고 모든 사람이 연속성 가정 하에 이를 연구하는 것으로 생각하는 것은 이치에 맞지 않습니다.
그럼 어디에서 경계를 설정해야 할까요? 확률 질량 함수를 처리하기에는 "너무 많은" 가능한 출력이 있다고 판단하고 연속 분포를 사용하도록 선택하는 경우는 언제입니까? 이것은 공개 질문입니다! :)
중요한 것은 개별 데이터를 연속적으로 처리할 때 정보가 손실되지 않으므로 제한이 없다는 것입니다!
이제 대부분의 경우 이미지의 픽셀 강도를 고려할 때 256개의 가능한 출력이 있는 이산 품질 확률을 고려해야 합니다. 이는 256개의 매개변수(또는 가중치)를 추정하거나 조정해야 함을 의미합니다. 연속 분포를 통해 강도를 모델링하면 매개변수 수가 크게 줄어듭니다! 예를 들어 가우스를 사용하면 매개변수가 2개입니다. 더 복잡한 분포나 혼합 모델을 사용하더라도 수백 개의 매개변수를 조정할 필요가 없습니다. 이것이 주요 장점입니다! 컴팩트하게 표현!
가우시안의 선택에 관해서는 그것이 잘 작동하는 것으로 경험적으로 입증되었다고 가정하겠습니다. 중심 극한 정리는 또한 이러한 일반적인 선택을 뒷받침합니다. 이제 중요한 점은 데이터가 가우스 분포를 따른다면 많은 알고리즘을 쉽게 사용할 수 있다는 것입니다. 이로 인해 현장 사람들이 더 일반적으로 사용하게 됩니다. 그렇다고 다른 것이 없다는 뜻은 아니지만, 그것이 문제의 현실입니다.