[論文レビュー] GMM-Based Hidden Markov Random Field for Color Image and 3D Volume Segmentation

Quan Wang|arXiv (Cornell University)|Dec 18, 2012

Image Retrieval and Classification Techniques参考文献 11被引用数 28

ひとこと要約

本稿では、EMアルゴリズムを用いて空間的滑らかさを強制するガウス・ミクスチャ・モデル（GMM）とMRF事前分布を組み合わせた、教師なし色画像および3DボリュームセグメンテーションのためのGMMベースの隠れマルコフランダムフィールド（HMRF）フレームワークを提案する。この手法は、2次元および3次元データにおいて、k-meansクラスタリングよりも滑らかで空間的に一貫性のあるセグメンテーションを生成し、MATLAB実装を用いて合成および実画像で妥当性が確認された。

ABSTRACT

In this project, we first study the Gaussian-based hidden Markov random field (HMRF) model and its expectation-maximization (EM) algorithm. Then we generalize it to Gaussian mixture model-based hidden Markov random field. The algorithm is implemented in MATLAB. We also apply this algorithm to color image segmentation problems and 3D volume segmentation problems.

研究の動機と目的

• 色画像および3次元ボリュームのための、データ適合性と空間的滑らかさを組み合わせた教師なしセグメンテーションフレームワークの開発。
• 標準的なHMRFモデルを単一ガウス分布からガウス・ミクスチャ・モデル（GMM）に拡張し、強度分布のより良いモデリングを実現。
• 教師なしのセグメンテーションタスクにHMRF-EMアルゴリズムを適用し、ラベル付きトレーニングデータを必要としない。
• 2次元色画像および3次元ボリュームデータの両方で手法を検証し、ノイズに強く、空間的連続性を保つ能力を示す。

提案手法

• 各ラベルクラスをガウス分布の混合でモデル化するGMMベースのHMRFモデルを定式化し、柔軟な強度分布の適合を可能にする。
• Eステップ（ベイズ推論を用いたラベルの事後確率推定）とMステップ（重み付き平均および分散によるパラメータ更新）を交互に繰り返すEMアルゴリズムを採用。
• データ項と事前分布項を組み合わせた総エネルギー関数を最小化するように、各EMイテレーションでMAP推定を用いて最も確率の高いラベル配置を推定。
• Gibbs分布を用いた近隣領域ベースの事前分布を導入し、空間的滑らかさを強制する。2次元では8近傍、3次元では26近傍を用いる。
• 2次元および3次元データをサポートするMATLABによる実装を実施し、k-means初期化、HMRF-EM、MRF-MAP推論の各モジュールを別々に実装。
• GMMパラメータの更新に、ピクセル／ボクセルの後方確率P(l|y_i)によるソフトラベル割り当てを用い、クラスタ平均および分散の反復的改善を可能にする。

実験結果

リサーチクエスチョン

• RQ1 GMMベースのHMRFモデルは、色画像における標準的なk-meansクラスタリングと比較して、セグメンテーションの正確性および空間的一貫性を向上させることができるか？
• RQ2 強度分布に関する事前知識が全くない状況下でも、HMRF-EMフレームワークは教師なしセグメンテーションを効果的に処理できるか？
• RQ3 MRF事前分布は、特に高ノイズ条件下でも3次元ボリュームセグメンテーションにおいて、空間的連続性をどの程度強制できるか？
• RQ4 2次元および3次元アプリケーションにおいて、画像サイズおよびEMイテレーション回数の増加に伴い、計算複雑性はどのように変化するか？

主な発見

• HMRFベースのセグメンテーションは、k-meansクラスタリングと比較して、特にセグメンテーション領域の空間的連続性を保つ点で顕著に滑らかである。
• 3次元ボリュームセグメンテーションにおいて、HMRF手法は一様ノイズ下でもフォアグラウンドオブジェクトの球形を正常に回復するのに対し、k-meansは空間的一致性を維持できない。
• 2.53 GHz CPU上で50×50×50の3次元ボリュームに対して10回のEMイテレーションおよび10回のMAPイテレーションを実行した場合、アルゴリズムは約14秒で収束する。
• GMMの使用により、単一ガウス仮定よりも複雑な強度分布のモデリングが可能となり、セグメンテーションの忠実度が向上する。
• 後方確率P(l|y_i)を用いたソフトラベル割り当てにより、EMプロセスにおけるパラメータ更新がより頑健になる。