[論文レビュー] Edge Detection based on Kernel Density Estimation

Osvaldo Pereira, Esley Torre+2 more|arXiv (Cornell University)|Nov 5, 2014

Medical Image Segmentation Techniques参考文献 12被引用数 6

ひとこと要約

本論文は、結合された空間的・強度的特徴空間における最小密度を持つ画素としてエッジを特定する、カーネル密度推定（KDE）に基づくエッジ検出手法を提案する。画像強度と位置を統合的にモデル化することで、エッジの連続性が保持され、Canny や Sobel などの古典的手法と比較して競争力のある性能を発揮する。Berkeley データセットおよび医用画像における定量的評価では、正解との強い整合性が示された。

ABSTRACT

Edges of an image are considered a crucial type of information. These can be extracted by applying edge detectors with different methodology. Edge detection is a vital step in computer vision tasks, because it is an essential issue for pattern recognition and visual interpretation. In this paper, we propose a new method for edge detection in images, based on the estimation by kernel of the probability density function. In our algorithm, pixels in the image with minimum value of density function are labeled as edges. The boundary between two homogeneous regions is defined in two domains: the spatial/lattice domain and the range/color domain. Extensive experimental evaluations proved that our edge detection method is significantly a competitive algorithm.

研究の動機と目的

• 空間的および強度的ドメインで動作させることでエッジの連続性を向上させる新しいエッジ検出アルゴリズムの開発。
• カーネル密度推定を活用し、手動によるチューニングを必要とせず最適なしきい値を自動的に決定する。
• 多様な画像タイプにおいて、古典的手法（例：Canny、Sobel）を上回る精度とエッジの連続性を達成すること。
• Berkeley データベースからの正解セグメンテーションと比較して、標準指標（PRI、NPRI、NED）を用いた定量的検証。
• 医用画像への適用可能性を、予備的結果を通じて示すこと。

提案手法

• 本手法は、空間的および強度（範囲）ドメインを統合した二変量カーネル密度推定器を用いて、画像画素の確率密度関数を推定する。
• 積カーネルが用いられ、$\hat{f}(x) = \frac{c}{n(h_s)^p(h_r)^q} \sum_{i=1}^n k_s\left(\left\|\frac{x - x_i}{h_s}\right\|^2\right) k_r\left(\left\|\frac{x - x_i}{h_r}\right\|^2\right)$ と表される。ここで $k_s$ と $k_r$ は、空間的および範囲ドメイン用の径数カーネルである。
• エッジは、推定された密度関数の値が最小となる画素として特定され、密度マップに対するしきい値処理が適用される。
• 空間成分には一様カーネル、範囲成分にはガウスカーネルがそれぞれ使用され、帯域幅 $h_s$ と $h_r$ がユーザーが定義するパrameterとして設定される。
• アルゴリズムはCPU上で $\Theta(hn)$ の計算量、GPU上で $\Theta(1)$ の計算量で実装されており、並列処理が容易である。
• 密度推定において空間的近接性と強度変化の両方を考慮することで、エッジの連続性が保持される。

実験結果

リサーチクエスチョン

• RQ1 結合された空間的・範囲ドメインにおけるカーネル密度推定は、古典的手法と比較してエッジの連続性を向上させることができるか？
• RQ2 本手法のエッジ検出性能は、Berkeley Segmentation Dataset における正解と比較してどの程度か？
• RQ3 KDEに基づくしきい値戦略は、固定しきい値法や微分に基づく手法をどれほど上回るか？
• RQ4 ノイズが多く、強度変動が顕著な医用画像において、本手法は効果的にエッジを検出できるか？
• RQ5 特にGPU並列化された形でのアルゴリズムの計算効率はいかがなっているか？

主な発見

• 提案された EDD アルゴリズムは、Berkeley データベースにおいて正解セグメンテーションと高い類似性を示し、PRI、NPRI、NED スコアが古典的手法と同等または優れている。
• 本手法は、Canny や Sobel などの古典的手法でよく見られる不連続エッジを回避し、優れたエッジ連続性を示した。
• PRI、NPRI、NED を用いた定量的評価により、EDD 手法が最先端のアルゴリズムと非常に競争力のある性能を発揮することが確認された。
• アルゴリズムの計算量はCPU上で $\Theta(hn)$、GPU上で $\Theta(1)$ であり、強力なスケーラビリティと並列処理の可能性を示している。
• 医用画像における予備的結果から、調整可能な帯域幅を備えた本手法が、現実の臨床画像処理タスクに適応可能であることが示された。
• 結合された空間的・範囲的密度推定の使用により、複雑でノイジーな画像においても頑健なエッジ検出が可能になった。