虽然SB-CLBP特征描述符比CLBP描述符有更好的纹理表征能力,但前

Hoewel de SB-CLBP-functiebeschrijver een betere textuurkarakterisering heeft dan de CLBP-descriptor, is de tijdcomplexiteit van de eerste hoger dan de laatste; omdat de textuurkenmerken voornamelijk worden geïdentificeerd door modelcoëfficiënten, is het moeilijk om de modelcoëfficiënten op te lossen; omdat gebaseerd op De textuurbeeldsegmentatie van het MRF-model is een iteratief optimalisatieproces. De convergentie van lokaal naar globaal is erg traag (zelfs als de conditionele iteratieve modus (ICM) het zoeken naar een oplossing kan versnellen), dus het vereist een grote hoeveelheid berekening en vereist meestal honderden iteraties Het kan alleen in de tweede plaats convergeren; parameteraanpassing is lastig en het model mag niet ingewikkeld zijn.

Hoewel de SB-CLBP functie beschrijving heeft een betere textuur karakterisering vermogen dan de CLBP descriptor, de eerste heeft een hogere tijd complexiteit dan de laatste; Parameteraanpassing is niet handig, het model mag niet complex zijn.

Hoewel sb-clbp-feature descriptoren een betere textuur representativiteit hebben dan CLBP-descriptoren, is de tijdscomplexiteit van de eerste groter dan die van de laatste; omdat het voornamelijk gaat om het identificeren van textuur kenmerken door middel van modelcoëfficiënten, is de oplossing van modelcoëfficiënten moeilijk; omdat textuur beeldsegmentering op basis van MRF-model een iteratief optimaliseringsproces is;De convergentie snelheid van lokaal naar mondiaal is zeer traag (zelfs als de voorwaardelijke iteratie modus (ICM) de zoektocht naar oplossingen kan versnellen), dus het heeft veel berekeningen nodig, meestal honderden iteraties om samen te komen; parameteraanpassing is niet handig, en het model moet niet complex zijn.<br>