[論文レビュー] An Unsupervised Dynamic Image Segmentation using Fuzzy Hopfield Neural Network based Genetic Algorithm

Amiya Halder, Soumajit Pramanik|arXiv (Cornell University)|May 30, 2012

Remote-Sensing Image Classification参考文献 15被引用数 3

ひとこと要約

本稿では、強度および空間的近接領域情報を利用し、ラベルなしでグレースケール画像を自動的にセグメンテーションする、Fuzzy Hopfield Neural Network (FHNN) を用いた遺伝的アルゴリズム (GA) に基づく非教師あり動的画像セグメンテーション手法を提案する。FHNN が GA の初期集団を生成し、妥当性指標により最適なセグメンテーション数が決定され、単一および複数特徴画像においても高い品質のセグメンテーション結果と頑健な性能を達成する。

ABSTRACT

This paper proposes a Genetic Algorithm based segmentation method that can automatically segment gray-scale images. The proposed method mainly consists of spatial unsupervised grayscale image segmentation that divides an image into regions. The aim of this algorithm is to produce precise segmentation of images using intensity information along with neighborhood relationships. In this paper, Fuzzy Hopfield Neural Network (FHNN) clustering helps in generating the population of Genetic algorithm which there by automatically segments the image. This technique is a powerful method for image segmentation and works for both single and multiple-feature data with spatial information. Validity index has been utilized for introducing a robust technique for finding the optimum number of components in an image. Experimental results shown that the algorithm generates good quality segmented image.

研究の動機と目的

• ラベルなしの画像セグメンテーション技術を開発し、事前にラベルを付与せずに画像のコンポonent数を自動的に特定すること。
• 強度ベースのクラスタリングに空間的近接関係を統合することで、セグメンテーションの正確性を向上させること。
• Fuzzy Hopfield Neural Networks (FHNN) を用いて、遺伝的アルゴリズム (GA) のための多様な初期集団を生成すること。
• 最適なセグメンテーション数を頑健に推定するための妥当性指標を導入すること。
• 一般化性と有効性を検証するため、単一および複数特徴グレースケール画像に対して本手法を評価すること。

提案手法

• 本手法は、Fuzzy Hopfield Neural Network (FHNN) を用いて初期クラスタリングを実行し、遺伝的アルゴリズム (GA) の初期集団を生成する。
• GA は、クラスタ中心と所属度値を、クラスタ内凝集性とクラスタ間分離性に基づくフィットネス関数を用いて進化させる。
• 空間的近接関係をフィットネス関数に組み込むことで、局所的画像構造を保持し、セグメンテーションの正確性を向上させる。
• 妥当性指標（具体的には Xie-Beni 指数）を用いて、最適なクラスタ数を自動的に評価・選択する。
• アルゴリズムは、収束するまでクラスタ割り当てとパラメータを繰り返し精錬し、セグメンテーション画像出力を得る。
• 本手法はグレースケール画像に適用可能であり、空間的文脈を考慮した単一および複数特徴データを処理できるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 GA-FHNN のハイブリッド手法は、強度および空間的情報のみを用いて、グレースケール画像の正確な非教師ありセグメンテーションを達成できるか？
• RQ2 Fuzzy Hopfield Neural Network は、画像セグメンテーションにおける遺伝的アルゴリズムのための多様で意味のある初期集団を効果的に生成できるか？
• RQ3 空間的近接関係を統合することで、強度のみの手法と比較して、セグメンテーション品質がどの程度向上するか？
• RQ4 事前に画像内容を知らなくても、妥当性指標が最適なクラスタ数を信頼性高く特定できるか？
• RQ5 本手法は、複数の特徴や複雑な強度分布を示す画像において、どの程度の性能を示すか？

主な発見

• 提案手法は、強度および空間的近接領域データのみを用いて、意味のある領域にグレースケール画像を効果的にセグメンテーションできた。
• フィットネス関数に空間的情報を統合することで、セグメンテーションの正確性と境界保持性が顕著に向上した。
• Fuzzy Hopfield Neural Network は多様な初期集団を効果的に生成し、遺伝的アルゴリズムの収束性と頑健性を向上させた。
• 妥当性指標により、事前の入力なしに最適なクラスタ数を自動かつ信頼性高く特定可能となった。
• 実験結果から、高品質なセグメンテーション出力が得られ、視覚的および定量的証拠が本手法の有効性を裏付けた。
• 本手法は単一および複数特徴画像にわたり一般化が良く、多様な画像タイプに強い適応性を示した。