在 RGB 通道而不是最终图像上应用 Delaunay 三角测量
Applying Delaunay Triangulation on RGB channels instead of final image
首先，我对包含 3000 个三角形的图像应用了 Delaunay 三角剖分。我将与原始图像的相似性 (SSIM) 测量为 0.75。 (数值越高越相似)
然后我分别在图像的 RGB 通道上应用 Delaunay 三角剖分，每个通道有 1000 个三角形。然后我组合了 3 张图像并形成了最终图像。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 none 的试验显示出更好的结果。
这不奇怪吗？想想看。我只是在一层上使用了 1000 个随机三角形。然后在第二层再增加 1000 个。然后在第三层还有 1000 个。当这些放在它上面时，与最终图像三角测量相比，它应该创建超过 3000 个独特的多边形。因为他们不重合。
a) 这背后的原因是什么？
b) 单独对RGB 通道应用delaunay 三角剖分而不是对图像本身应用delaunay 三角剖分有什么好处？很明显，我无法获得更好的相似性。但也许在存储方面我可以变得更好吗？也许在其他地区？它们可以是什么？
当每一层中的三角形不重合时，它会在亮度上产生低通过滤效果，因为对像素亮度有贡献的三个三角形比另一种情况下得到的单个三角形大。
很难对这两种方法提出任何 'advantages' 的建议，因为我们真的不知道您一开始为什么要这样做。
不过，如果你想要更好的相似度，那么你必须选择更好的点。我建议使选择一个点的概率与该点的梯度大小成正比。
首先，我对包含 3000 个三角形的图像应用了 Delaunay 三角剖分。我将与原始图像的相似性 (SSIM) 测量为 0.75。 (数值越高越相似)
然后我分别在图像的 RGB 通道上应用 Delaunay 三角剖分，每个通道有 1000 个三角形。然后我组合了 3 张图像并形成了最终图像。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 none 的试验显示出更好的结果。
这不奇怪吗？想想看。我只是在一层上使用了 1000 个随机三角形。然后在第二层再增加 1000 个。然后在第三层还有 1000 个。当这些放在它上面时，与最终图像三角测量相比，它应该创建超过 3000 个独特的多边形。因为他们不重合。
a) 这背后的原因是什么？
b) 单独对RGB 通道应用delaunay 三角剖分而不是对图像本身应用delaunay 三角剖分有什么好处？很明显，我无法获得更好的相似性。但也许在存储方面我可以变得更好吗？也许在其他地区？它们可以是什么？
当每一层中的三角形不重合时，它会在亮度上产生低通过滤效果，因为对像素亮度有贡献的三个三角形比另一种情况下得到的单个三角形大。
很难对这两种方法提出任何 'advantages' 的建议，因为我们真的不知道您一开始为什么要这样做。
不过，如果你想要更好的相似度，那么你必须选择更好的点。我建议使选择一个点的概率与该点的梯度大小成正比。