[論文レビュー] Image Colour Segmentation by Genetic Algorithms

Vitorino Ramos, Fernando Muge|ArXiv.org|Dec 17, 2004

Image Retrieval and Classification Techniques参考文献 20被引用数 33

ひとこと要約

本稿では、色の特徴空間における分割を最適化するためにk-Meansクラスタリングを統合した、遺伝的アルゴリズム（GA）に基づく非教師あり色画像セグメンテーション手法を提案する。セグメンテーションをNP完全な最適化問題として定式化することで、クラスタの重心とセグメンテーション数を進化させ、模様のある画像、装飾石、皮膚の痣など、最小限のユーザー入力で効果的な性能を示す。

ABSTRACT

Segmentation of a colour image composed of different kinds of texture regions can be a hard problem, namely to compute for an exact texture fields and a decision of the optimum number of segmentation areas in an image when it contains similar and/or unstationary texture fields. In this work, a method is described for evolving adaptive procedures for these problems. In many real world applications data clustering constitutes a fundamental issue whenever behavioural or feature domains can be mapped into topological domains. We formulate the segmentation problem upon such images as an optimisation problem and adopt evolutionary strategy of Genetic Algorithms for the clustering of small regions in colour feature space. The present approach uses k-Means unsupervised clustering methods into Genetic Algorithms, namely for guiding this last Evolutionary Algorithm in his search for finding the optimal or sub-optimal data partition, task that as we know, requires a non-trivial search because of its intrinsic NP-complete nature. To solve this task, the appropriate genetic coding is also discussed, since this is a key aspect in the implementation. Our purpose is to demonstrate the efficiency of Genetic Algorithms to automatic and unsupervised texture segmentation. Some examples in Colour Maps, Ornamental Stones and in Human Skin Mark segmentation are presented and overall results discussed. KEYWORDS: Genetic Algorithms, Colour Image Segmentation, Classification, Clustering.

研究の動機と目的

• 類似または非定常な模様領域を有する画像における非教師あり色画像セグメンテーションの課題に対処すること。
• 事前の知識なしに最適なセグメンテーション領域数を自動的に特定すること。
• 進化計算を用いて、複雑な模様領域におけるクラスタリングの精度と頑健性を向上させること。
• 遺伝的アルゴリズムの枠組み内にk-Meansクラスタリングを統合し、適応的かつグローバルな最適化を実現すること。
• 色地図、装飾石、人間の皮膚の痣を含む実世界の画像上で、手法の有効性を検証すること。

提案手法

• セグメンテーション問題を色の特徴空間におけるグローバル最適化タスクとして定式化する。
• 遺伝的アルゴリズムを用いて、クラスタの重心とクラスタ数を進化させ、クラスタパラメータをカスタム染色体表現で表現する。
• フィットネス関数は、k-Meansクラスタリングに従って、クラスタ内での密着性とクラスタ間の分離度に基づき、セグメンテーションの品質を評価する。
• k-MeansアルゴリズムをGA内に組み込み、クラスタの再割り当てを精緻化し、収束性を向上させる。
• 選択、交差、突然変異といった遺伝的演算子を用いて、最適または準最適な分割へと解を進化させる。
• ハイブリッド手法として実装され、GAが探索を指揮し、各世代でk-Meansが局所最適化を提供する。

実験結果

リサーチクエスチョン

• RQ1 事前の知識なしに、遺伝的アルゴリズムが色画像セグメンテーションにおけるクラスタの数と位置を効果的に最適化できるか。
• RQ2 GAフレームワーク内にk-Meansを統合することで、模様のある画像におけるセグメンテーション精度がどの程度向上するか。
• RQ3 このハイブリッド手法が、実世界の画像における類似または非定常な模様領域をどの程度適切に処理できるか。
• RQ4 提案手法が多様な画像タイプにおいて、頑健かつ自動的にセグメンテーションを実現できるか。
• RQ5 色地図、装飾石、皮膚の痣といったベンチマーク画像における手法の性能はいかがなものか。

主な発見

• 提案されたGA-k-Meansハイブリッド手法は、類似または非定常な領域を含む複雑な模様パターンを持つ色画像を効果的にセグメンテーションできる。
• 本手法はセグメンテーション領域数を自動的に特定するため、ユーザーが事前にクラスタ数を設定する必要がない。
• 色地図、装飾石、人間の皮膚の痣に対する結果は、視覚的に整合性があり、高精度なセグメンテーションを示し、最小限の手動介入で実現されている。
• k-MeansをGA内に統合することで、最適化プロセスの収束性と安定性が向上した。
• 従来のクラスタリング手法が失敗するような挑戦的なセグメンテーションタスクに対しても、本手法は頑健性を示した。
• 実世界のデータセットにおいても競争力のある性能を達成しており、非教師あり色画像セグメンテーションへの有効性が検証された。