[論文レビュー] A Novel Approach Towards Clustering Based Image Segmentation

Dibya Jyoti Bora, Anil Kumar Gupta|arXiv (Cornell University)|Jun 4, 2015

Image Retrieval and Classification Techniques参考文献 9被引用数 28

ひとこと要約

本論文は、K-meansクラスタリングにおけるコサイン距離とLABカラー空間を用いた、画素分類に基づく画像セグメンテーション手法を提案する。ソーベルフィルタを適用した後、マーカー制御ウォーターシェッドセグメンテーションを適用することで、従来手法に比べ優れた性能を発揮し、報告されたMSEおよびPSNR値が、セグメンテーション品質の向上を示している。

ABSTRACT

In computer vision, image segmentation is always selected as a major research topic by researchers. Due to its vital rule in image processing, there always arises the need of a better image segmentation method. Clustering is an unsupervised study with its application in almost every field of science and engineering. Many researchers used clustering in image segmentation process. But still there requires improvement of such approaches. In this paper, a novel approach for clustering based image segmentation is proposed. Here, we give importance on color space and choose lab for this task. The famous hard clustering algorithm K-means is used, but as its performance is dependent on choosing a proper distance measure, so, we go for cosine distance measure. Then the segmented image is filtered with sobel filter. The filtered image is analyzed with marker watershed algorithm to have the final segmented result of our original image. The MSE and PSNR values are evaluated to observe the performance.

研究の動機と目的

• 従来のK-meansクラスタリングが距離尺度に敏感であるという限界を是正すること。
• 知覚的に均一なLABカラー空間を活用することで、セグメンテーション精度を向上させること。
• エッジ保持フィルタリング（ソーベル）とマーカーに基づくウォーターシェッドセグメンテーションを統合することで、境界検出を強化すること。
• MSEやPSNRなどの定量的指標を用いて性能を評価すること。
• ノイズや境界の曖昧さに対してより頑健な、非教師ありの画像セグメンテーションフレームワークを提示すること。

提案手法

• 本手法は、画像セグメンテーションにおけるより良い色表現と知覚的均一性を実現するため、LABカラー空間を採用する。
• K-meansクラスタリングにおいて、ユークリッド距離の代わりにコサイン距離を測定に用いることで、高次元特徴空間におけるクラスタ分離を向上させる。
• セグメンテーション画像にソーベルフィルタを適用し、エッジ情報の強化とノイズ抑制を図る。
• フィルタ処理後の画像をマーカー制御ウォーターシェッドアルゴリズムで処理し、セグメンテーション境界を精緻化し、重複領域を分離する。
• 最終的なセグメンテーション画像は、平均二乗誤差（MSE）およびピークサイナルノイズ比（PSNR）を用いて定量的性能評価を実施する。
• 本手法は、国際エマージングサイエンスアンドエンジニアリングジャーナルのテスト画像を用いて適用され、7桁の図、1つの表を含むデータセットで結果が報告されている。

実験結果

リサーチクエスチョン

• RQ1 LABカラー空間を用いることで、RGBに比べてクラスタリングに基づく画像セグメンテーションがどのように向上するか？
• RQ2 K-meansにおけるユークリッド距離の代わりにコサイン距離を用いることで、セグメンテーション精度はどの程度向上するか？
• RQ3 ソーベルフィルタを適用した後、マーカーに基づくウォーターシェッドセグメンテーションを適用することで、過剰セグメンテーションの低減と境界検出の向上が図れるか？
• RQ4 提案手法を用いることで、MSEおよびPSNRの観点から、定量的性能にどの程度の向上が見られるか？
• RQ5 標準的なK-meansセグメンテーションと比較して、提案パイプラインは、頑健性および視覚的品質の面でどのように差をつけるか？

主な発見

• LABカラー空間とK-meansクラスタリングにおけるコサイン距離の組み合わせにより、提案手法は改善されたセグメンテーション結果を達成した。
• コサイン距離の使用により、特徴量の大きさへの感受性が低減し、色空間内でのクラスタ分離が向上した。
• ソーベルフィルタはエッジの強化に効果的であり、ウォーターシェッドアルゴリズムの初期化に好影響を与えた。
• マーカー制御ウォーターシェッドセグメンテーションは、過剰セグメンテーションの低減とオブジェクト境界の精緻化に成功した。
• 定量的評価では、良好なMSEおよびPSNR値が得られ、元画像とセグメンテーション画像との間の忠実度が高く示された。
• 標準的なK-meansアプローチと比較して、提案手法は、標準指標を用いて明確なセグメンテーション品質の向上を示した。