[論文レビュー] Hybrid Image Segmentation using Discerner Cluster in FCM and Histogram Thresholding

Firas A. Jassim|arXiv (Cornell University)|Feb 6, 2013

Medical Image Segmentation Techniques参考文献 6被引用数 11

ひとこと要約

本稿では、滑らかなヒストグラムにおける最も高いピークを持つクラスタ（「識別クラスタ」として知られる）を用いて、自動的に最適なしきい値を決定する、ファジィc-平均（FCM）クラスタリングとヒストグラムしきい値処理を組み合わせたハイブリッド画像セグメンテーション手法を提案する。本手法は、ピクセル強度値ではなくヒストグラム周波数にFCMを適用することで、支配的クラスタ（物体領域として特定される）を特定し、標準テスト画像において高い頑健性としきい値選択の正確性を達成する。

ABSTRACT

Image thresholding has played an important role in image segmentation. This paper presents a hybrid approach for image segmentation based on the thresholding by fuzzy c-means (THFCM) algorithm for image segmentation. The goal of the proposed approach is to find a discerner cluster able to find an automatic threshold. The algorithm is formulated by applying the standard FCM clustering algorithm to the frequencies (y-values) on the smoothed histogram. Hence, the frequencies of an image can be used instead of the conventional whole data of image. The cluster that has the highest peak which represents the maximum frequency in the image histogram will play as an excellent role in determining a discerner cluster to the grey level image. Then, the pixels belong to the discerner cluster represent an object in the gray level histogram while the other clusters represent a background. Experimental results with standard test images have been obtained through the proposed approach (THFCM).

研究の動機と目的

• グレイレベル画像における画像セグメンテーションのための自動しきい値選択の課題を解決すること。
• 画像ヒストグラム周波数のクラスタ解析を活用することで、しきち値処理の頑健性と正確性を向上させること。
• 滑らかなヒストグラムにおける最も高いピークを持つクラスタ（「識別クラスタ」として知られる）を、物体セグメンテーションの信頼できる指標として特定すること。
• ヒストグラムデータのFCMクラスタリングを通じて自動化することで、手動でのしきい値設定への依存度を低減すること。
• FCMクラスタリングとヒストグラムに基づくしきち値処理技術を統合することで、セグメンテーション性能を向上させること。

提案手法

• 本手法は、ピクセル強度値ではなく、滑らかな画像ヒストグラムの周波数値（y値）に標準的なFCMクラスタリングアルゴリズムを適用する。
• ヒストグラムにおける最も高いピークを持つクラスタ（最も頻度の高い強度値を表す）が「識別クラスタ」として指定される。
• 識別クラスタに属するピクセルは物体として分類され、他のクラスタは背景を表す。
• アルゴリズムは識別クラスタの重心を用いて、セグメンテーションのための最適なしきい値を決定する。
• 本手法は、画像セグメンテーション問題をヒストグラムの周波数分布におけるクラスタリングタスクに変換する。
• 本手法の有効性を検証するために、標準テスト画像を用いて評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 ヒストグラム周波数のFCMクラスタリングは、画像セグメンテーションにおける自動しきち値選択を改善できるか？
• RQ2 最も高いピークを持つクラスタ（識別クラスタ）を特定することで、従来のしきち値処理よりも正確なセグメンテーションが達成できるか？
• RQ3 提案手法のハイブリッドアプローチは、従来のしきち値処理手法と比較して、セグメンテーションの正確性と頑健性において優れているか？
• RQ4 識別クラスタは、グレイレベル画像における物体領域と背景を効果的に区別できるか？
• RQ5 ヒストグラムの平滑化が、FCMに基づくしきち値処理アプローチの性能に与える影響は何か？

主な発見

• 滑らかなヒストグラムにおける最も高いピークを持つFCMクラスタ（識別クラスタ）として定義されたクラスタは、テスト画像において一貫して物体領域を特定した。
• 本手法は、手動でのしきち値入力を必要とせず、自動しきち値選択の能力を示した。
• 生のピクセルデータではなくヒストグラム周波数を用いることで、計算複雑度を低減しながらも、セグメンテーションの正確性を維持した。
• 標準テスト画像を用いた実験結果により、本手法の物体境界の特定における有効性が確認された。
• 本手法は、ヒストグラム内のクラスタ構造を活用することで、基本的なしきち値処理手法を上回った。
• ハイブリッドFCM-ヒストグラムしきち値処理手法は、グレイレベル画像における自動画像セグメンテーションのための頑健なソリューションを提供した。