A Statistical Approach for Real-

大牛提出了
Brightness Distortion:
Color Distortion:
其中:
是当前图像的像素值
是背景的像素期望值
是brightness distortion,从0到1，如果等于1，则当前的图片的亮度和期望的相同，大于1就表示更亮，小于1就表示比期望暗
所以就定义了颜色的扭曲程度。

因为每种颜色的band都是不一样的，所以为了平衡每种颜色的band，将,通过下式计算得出：

之后进行归一化


我们发现brightness的值的改变大于color的值，从实际情况出发也很好证明这一点，我们日常生活中对亮度的敏感程度肯定大于颜色。

通过适当的阈值将其图分成（F: 前景 , B: 其它背景 , S: 阴影背景 , H: 高亮背景），但是这时有个问题，就是当前景颜色太暗也会被认为是背景，所以当足够小时也将其当做前景：

我们知道如果distortion是高斯分布的话，我们就能很好的选出探测率，但是很遗憾的是我们的数据不是。因此我们基于统计学的方法，得到探测率。

在100 次测试中，黄色的点代表一次错误检测，红色的点代表多次错误检测。我们发现这是因为这些像素点发生了极小的偏移，因此设置有一个阈值过忽略这个偏移。如果这个阈值设置的太大，那么就会太大，但是阈值设置的太小有没有作用，因此又做了一次实现来确定这个阈值。