No spatial similarity ⇒ Noisy Segmentation
$P(foreground | image)$
→ 조건부 확률
→ 주어진 Image에서 foreground로 수렴될 확률
내부 영역이 완벽한 white가 아님(노이즈가 많이 존재함.)
→ 확률이 잘못 추정된 결과
→ Segmentation을 수행할 수 없게 됨…
Spatial similarity(공간적 유사성) or Smoothness를 고려하지 않으면 결과가 noisy segmentation이 됨..
∴ 공간적인 연속성 → 나의 성질 & 주변의 성질의 관계에 의해 조건부 확률 부여
MAP
사후 확률 (a posteriori probability) : 데이터와 모델 파라미터 θ에 대한 주어진 y의 확률.
우도 확률 (likelihood probability) : 각 데이터 포인트의 가능도를 나타내며, 각 변수의 가능도를 곱한 값.
⇒ 각 화소들이 가지는 확률
사전 확률 (priori probability): 데이터 없이 모델 파라미터 θ에 대한 변수들 간의 관계에 대한 확률임.
⇒ 인접 화소들의 연속성에 대한 확률
확률 최적화에서 에너지 최소화로의 전환
Energy minimization
Data term or unary term : 특정 할당 $y_i$의 비용을 나타냄.
Smoothness term : 쌍항 할당 $y_i$와 $y_j$의 비용을 나타냄.
→ 인접한 픽셀 간의 할당 비용을 최소화하여 결과 이미지의 Smoothness를 보장함.