[論文レビュー] Multilevel Threshold Based Gray Scale Image Segmentation using Cuckoo Search

Sourav Samanta, Nilanjan Dey+3 more|arXiv (Cornell University)|Jul 1, 2013

Advanced Image and Video Retrieval Techniques参考文献 11被引用数 44

ひとこと要約

本稿では、グレースケール画像の最適しきい値を特定するために、カッコウサーチ（CS）最適化を用いたマルチレベルしきい値画像セグメンテーション手法を提案する。しきい値選択をグローバル最適化問題として扱い、画像分散に基づくフィットネス関数を用いて、CSが反復的にランダムな初期しきい値を改善することで、ベンチマーク画像において低MSEおよび高PSNRを達成し、優れたセグメンテーション品質を実現する。

ABSTRACT

Image Segmentation is a technique of partitioning the original image into some distinct classes. Many possible solutions may be available for segmenting an image into a certain number of classes, each one having different quality of segmentation. In our proposed method, multilevel thresholding technique has been used for image segmentation. A new approach of Cuckoo Search (CS) is used for selection of optimal threshold value. In other words, the algorithm is used to achieve the best solution from the initial random threshold values or solutions and to evaluate the quality of a solution correlation function is used. Finally, MSE and PSNR are measured to understand the segmentation quality.

研究の動機と目的

• グレースケール画像セグメンテーションにおける最適マルチレベルしきい値の選択という課題に対処すること。
• 誤差を最小限に抑え、画像の忠実度を最大化することで、セグメンテーション品質を向上させること。
• 効率的なグローバル最適化のため、カッコウサーチメタヒューリスティックをしきい値値に適用すること。
• MSE や PSNR などの定量的指標を用いて、性能を評価すること。
• 従来のしきい値手法に比べ、CSが優れた性能を示すことを実証すること。

提案手法

• グレースケール画像における最適マルチレベルしきい値を特定するために、カッコウサーチ（CS）が用いられる。
• 分類間分散に基づくフィットネス関数が採用され、セグメンテーションの分離性を最大化する。
• 初期解（しきい値集合）はランダムに生成され、CS探索ルールに従って反復的に改善される。
• Lévy飛行を用いてグローバル探索を強化し、局所最適解に陥るリスクを低減する。
• セグメンテーション品質は、平均二乗誤差（MSE）およびピーク信号対ノイズ比（PSNR）を用いて評価される。
• 収束または最大反復回数に達するまで、プロセスが継続される。

実験結果

リサーチクエスチョン

• RQ1 カッコウサーチは、グレースケール画像セグメンテーションのためのマルチレベルしきい値を効果的に最適化できるか？
• RQ2 提案手法のCSベースのアプローチは、従来のしきい値手法と比較して、セグメンテーション品質においてどのように異なるか？
• RQ3 CSフレームワーク内での分散に基づくフィットネス関数が、しきい値選択に与える影響は何か？
• RQ4 CSアルゴリズムは、セグメンテーション画像におけるMSEをどの程度低減し、PSNRを向上させるか？
• RQ5 CSにおけるLévy飛行の使用は、収束性および解の品質を向上させるか？

主な発見

• 提案されたカッコウサーチベースの手法は、従来のしきい値手法と比較して、より低い平均二乗誤差（MSE）を達成した。
• 高いピーク信号対ノイズ比（PSNR）値が得られ、セグメンテーション後の画像忠実度が向上した。
• 複数のテスト画像において、アルゴリズムは強固な収束性を示し、しきい値選択の安定性を裏付けた。
• 分散に基づくフィットネス関数の使用により、CSは最適なしきい値設定に的確に導かれた。
• 定量的指標による確認により、手法は標準的手法を上回るセグメンテーション精度を示した。
• Lévy飛行の統合により、グローバル探索能力が向上し、早期収束のリスクが低減された。