区域匹配方案相对于全局匹配方案的鲁棒性

本文建立并验证了在图像和图案识别专家中普遍存在的一种理论：即自下而上的间接区域匹配过程相对于全局匹配过程更稳定且更具鲁棒性，这种理论针对由杂乱、离群值或遮挡在图像中所表现的集中噪声类型。我们通过分析集中噪声对简化的两个候选投票模型中典型决策过程的影响来展示了这一点，其中我们的定理确定了自下而上的匹配过程相对于全局匹配过程在决策（或选举）结果临界崩溃点的下界大于精确界，从而暗示了前者的区域过程在决策结果逆转之前能够容纳更高水平的噪声。我们提出了一项令人信服的实验验证，支持不仅是该理论——即在局部噪声存在下的白旗-黑旗识别问题——也支持该猜想的有效性——即该定理对其他涉及重要降维变换（如主成分分析或 Gabor 变换）的决策过程仍然有效。