我有一个与这篇文章类似的问题，有一些显着的区别：

有哪些简单的方法可以自适应地对 2D 函数进行采样？

就像在那篇文章中一样：

• 我有一个$f(x,y)$并且对这个函数的评估计算起来有点昂贵

不像那个帖子：

• 我对函数的值不是在任何地方都准确感兴趣，而只是对找到函数的单个等高线感兴趣。

• 我可以对函数的自相关做出重要的断言，从而得出平滑度的大小。

有没有一种智能的方法来逐步/采样这个函数并找到这个轮廓？

更多信息

该函数是Haralick 特征的计算$N$点周围的像素，并通过某种分类器/回归器进行软分类。它的输出是一个浮点数，指示该点属于哪个纹理/材质。这个数字的缩放可以是估计的类概率（SoftSVM 或统计方法等）或一些非常简单的东西，比如线性/逻辑回归的输出。与从图像中提取特征所花费的时间相比，分类/回归是准确且便宜的。

周边统计$N$意味着窗口通常对重叠区域进行采样，因此附近样本之间存在显着相关性。（我什至可以用数字/符号来接近）因此，这可以被认为是一个更复杂的函数$f(x, y, N)$哪里更大$N$将给出与邻域更相关（高度相关）的估计值，以及更小的$N$将给出更多变量，但更局部的估计。

我尝试过的事情：

• 蛮力计算 - 效果很好。95% 正确的分割与常数$N$. 之后使用任何标准方法绘制轮廓时，结果看起来都很棒。这需要永远。我可以简化基于每个样本计算的特征，但理想情况下我想避免这种情况，以使此代码对具有纹理的图像具有通用性，这些图像的差异出现在特征空间的不同部分。

• Dumb Stepping - 在每个方向上走一个像素“步”，并根据与等值线值的接近程度选择要移动的方向。仍然很慢，它会忽略等值线的分叉。此外，在具有平坦梯度的区域，它会“游走”或自行翻倍。

我想我想做一些类似于第一个链接中提出的细分的事情，但对绑定感兴趣的等值线的框进行了修剪。我觉得我应该能够利用$N$也，但我不知道如何处理。