[論文レビュー] Automatic Leaf Extraction from Outdoor Images

Nantheera Anantrasirichai, Sion Hannuna+1 more|arXiv (Cornell University)|Sep 19, 2017

Smart Agriculture and AI参考文献 9被引用数 10

ひとこと要約

本稿では、複雑な背景や変動する照明条件下でも効果的に機能するように、葉の脈路構造、色、明るさ、テクスチャ特徴を活用することで、屋外画像からの自動的で頑健な葉抽出手法を提案する。ウォーターシェッドとグラフカットの組み合わせに加え、主脈・二次脈の検出とノッチ・プロトリュージョンの最適化を実施し、実世界の屋外データにおいて既存手法を上回る優れた性能を達成した。

ABSTRACT

Automatic plant recognition and disease analysis may be streamlined by an image of a complete, isolated leaf as an initial input. Segmenting leaves from natural images is a hard problem. Cluttered and complex backgrounds: often composed of other leaves are commonplace. Furthermore, their appearance is highly dependent upon illumination and viewing perspective. In order to address these issues we propose a methodology which exploits the leaves venous systems in tandem with other low level features. Background and leaf markers are created using colour, intensity and texture. Two approaches are investigated: watershed and graph-cut and results compared. Primary-secondary vein detection and a protrusion-notch removal are applied to refine the extracted leaf. The efficacy of our approach is demonstrated against existing work.

研究の動機と目的

• 複雑な背景を有するごみだらけの自然な屋外画像からの葉のセグメンテーションの課題に対処すること。
• 変動する照度や視点角度下でも、葉抽出の精度を向上させること。
• 完全で独立した葉を植物認識や病気分析の入力として分離するための頑健で自動化されたパイプラインを開発すること。
• ウォーターシェッドとグラフカットのセグメンテーション戦略の性能を比較・評価すること。
• 脈路検出と幾何的特徴の除去（ノッチ／プロトリュージョン補正）を用いて、セグメンテーション結果を精緻化すること。

提案手法

• 色、明るさ、テクスチャ特徴を用いて、セグメンテーションのための背景および葉のマーカーを生成する。
• ウォーターシェッドおよびグラフカットの両アルゴリズムを用いて、屋外画像からの葉のセグメンテーションを実行する。
• 画像処理技術を用いて主脈および二次脈構造を検出し、セグメンテーションをガイドする。
• 最終的な葉の境界を精緻化するために、プロトリュージョンおよびノッチの除去を実施する。
• 低レベルの視覚的特徴と構造的葉情報（脈路）を統合することで、セグメンテーションの頑健性を向上させる。
• 実世界の屋外データセットを用いて、既存手法と比較して結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 複雑な屋外シーンにおける葉のセグメンテーションを向上させるために、脈路構造をどのように効果的に活用できるか？
• RQ2 困難な屋外条件下において、ウォーターシェッドとグラフカットのどちらのセグメンテーションアプローチが優れているか？
• RQ3 色、明るさ、テクスチャ特徴が、正確な葉のマーカー生成にどの程度寄与しているか？
• RQ4 脈路検出と幾何的精緻化の組み合わせが、セグメンテーション精度の向上にどの程度効果的か？
• RQ5 提案手法は、実世界の屋外画像において、既存の葉抽出技術を上回ることができるか？

主な発見

• 提案手法は、実際の屋外画像において、既存手法を上回る優れたセグメンテーション精度を達成した。
• グラフカットセグメンテーションは、複雑な背景の処理と葉の境界の保持において、ウォーターシェッドを上回った。
• 脈路構造検出を組み込むことで、変動する照度や視点条件下でもセグメンテーションの頑健性が顕著に向上した。
• プロトリュージョンおよびノッチの除去は、最終的な葉マスクの精緻化に効果的であり、誤検出の低減に寄与した。
• 色、明るさ、テクスチャ特徴の統合により、マーカー生成が向上し、より正確なセグメンテーションが実現した。
• 本手法は多様な屋外データセットで優れた性能を示し、実世界の状況下での頑健性が検証された。