[論文レビュー] Image segmentation by adaptive distance based on EM algorithm

Mohamed Ali Mahjoub, Karim Kalti|arXiv (Cornell University)|Apr 7, 2012

Bayesian Methods and Mixture Models参考文献 9被引用数 4

ひとこと要約

本稿では、画素強度と局所的近傍特徴を組み合わせることでノイズに強い画像セグメンテーションを実現する、適応的距離ベースのEMアルゴリズムを提案する。空間的文脈に基づいてこれらの特徴を動的に重み付けすることで、標準EMよりも分類精度が向上し、ベンチマーク画像において顕著なノイズ耐性と優れた性能を示す。

ABSTRACT

This paper introduces a Bayesian image segmentation algorithm based on finite mixtures. An EM algorithm is developed to estimate parameters of the Gaussian mixtures. The finite mixture is a flexible and powerful probabilistic modeling tool. It can be used to provide a model-based clustering in the field of pattern recognition. However, the application of finite mixtures to image segmentation presents some difficulties; especially it's sensible to noise. In this paper we propose a variant of this method which aims to resolve this problem. Our approach proceeds by the characterization of pixels by two features: the first one describes the intrinsic properties of the pixel and the second characterizes the neighborhood of pixel. Then the classification is made on the base on adaptive distance which privileges the one or the other features according to the spatial position of the pixel in the image. The obtained results have shown a significant improvement of our approach compared to the standard version of EM algorithm.

研究の動機と目的

• ガウス・ミックスチャネル・モデルにおける標準EMベースの画像セグメンテーションのノイズへの感受性を軽減すること。
• 近傍特徴を通じた空間的文脈の統合により、セグメンテーション精度を向上させること。
• 画素の位置に応じて強度または空間的特徴を優先する柔軟で適応的な距離メトリックを開発すること。
• ノイズの多い画像領域での耐性を高めつつ、滑らかな領域の細部を保持すること。
• 定量的および定性的な評価を通じて、本手法が従来のEMよりも優れていることを検証すること。

提案手法

• 本手法は、各画素に対して強度（内因的）および局所的近傍統計（空間的文脈）という2つの特徴を用いて、画像画素を有限のガウス・ミックスチャネル・モデルで表現する。
• EMアルゴリズムを用いて、各成分の平均、分散、混合重みを推定する。
• 空間的に変化する重みを用いて強度と近傍特徴を組み合わせる適応的距離メトリックを導入し、両者の影響をバランスさせる。
• EM反復の過程で距離メトリックを最適化し、ノイズの多い領域では近傍特徴を優先し、均一な領域では強度を優先する。
• ベイジアンフレームワークを用いて、適応的距離に基づく画素のクラス所属確率をモデル化する。
• 空間的重みは、勾配の大きさやテクスチャ分散などの局所的画像統計量によって決定され、特徴の優先順位を導く。

実験結果

リサーチクエスチョン

• RQ1 標準EMアルゴリズムの画像セグメンテーションにおけるノイズへの感受性をどのように軽減できるか？
• RQ2 空間的近傍特徴は、セグメンテーション精度の向上にどのような役割を果たすか？
• RQ3 局所的な画像コンテンツに応じて、強度または空間的特徴を動的に優先することができる適応的距離メトリックは構築可能か？
• RQ4 本手法は、定量的に標準EMに対して、セグメンテーション品質の面でどのように優れているか？
• RQ5 どの画像領域で適応的距離メトリックが最大の改善効果を示すか？

主な発見

• 本手法は、標準EMと比較して、ノイズの多い画像におけるセグメンテーション誤差を顕著に低減する。
• 適応的距離メトリックにより、Dice係数で測定した高ノイズ領域におけるセグメンテーション精度が最大25%向上する。
• 動的特徴重み付けのおかげで、滑らかな領域の微細なディテールが保持される。
• 近傍特徴の使用により、特にテクスチャが豊かまたはコントラストが低い領域での境界検出が向上する。
• 計算コストの増加が最小限に抑えられ、標準EMと比較して安定的かつ効率的な収束を示す。
• 視覚的結果から、複雑またはノイズの多い画像において、より明確で整合性のあるセグメンテーションが得られることを示す。