[논문 리뷰] GMM-Based Hidden Markov Random Field for Color Image and 3D Volume Segmentation

Quan Wang|arXiv (Cornell University)|2012. 12. 18.

Image Retrieval and Classification Techniques참고 문헌 11인용 수 28

한 줄 요약

이 논문은 은닉 마르코프 무작위장(HMRF) 프레임워크를 제안하며, GMM 기반으로 2차원 및 3차원 영상 분할을 위한 비지도 학습 기반 접근법을 제시한다. 데이터 적합성과 공간적 매끄러움을 동시에 확보하기 위해 기존의 k-means 클러스터링보다 더 매끄럽고 공간적으로 일관성 있는 분할 결과를 도출한다. 이는 EM 알고리즘을 통해 가우시안 혼합 모델(GMM)과 MRF 사전확률을 융합함으로써 달성되며, MATLAB 기반 구현을 통해 합성 및 실제 영상 데이터에서 검증되었다.

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.

연구 동기 및 목표

• 색상 영상 및 3차원 볼륨에 대해 데이터 적합성과 공간적 매끄러움을 동시에 고려하는 비지도 분할 프레임워크를 개발한다.
• 기본 HMRF 모델을 단일 가우시안에서 가우시안 혼합 모델(GMM)으로 확장하여 강도 분포 모델링의 유연성을 향상시킨다.
• 라벨이 없는 학습 데이터를 요구하지 않고도 실제 응용 분야의 분할 작업에 HMRF-EM 알고리즘을 적용한다.
• 2차원 색상 영상과 3차원 볼륨 데이터 양쪽에 대해 방법을 검증하여 노이즈에 대한 강건성과 공간 연속성 유지를 입증한다.

제안 방법

• 각 레이블 클래스를 혼합 가우시안으로 모델링하는 GMM 기반 HMRF 모델을 수립하여 유연한 강도 분포 피팅을 가능하게 한다.
• E단계(베이지안 추론을 통한 사후 레이블 추정)와 M단계(가중 평균 및 분산을 통한 매개변수 갱신)를 번갈아 적용하는 EM 알고리즘을 적용한다.
• 전체 에너지 함수에 데이터 항과 사전 항을 조합하여 MAP 추정을 통해 각 EM 반복 단계에서 가장 가능성이 높은 레이블 구성(레이블 할당)을 추론한다.
• 이웃 기반 사전확률을 갈버지 분포를 이용해 적용하여 공간적 매끄러움을 강제하며, 2차원에서는 8-이웃, 3차원에서는 26-이웃을 사용한다.
• MATLAB에서 구현된 알고리즘은 k-means 초기화, HMRF-EM, MRF-MAP 추론 모듈로 분리되어 있으며, 2차원 및 3차원 데이터 모두를 지원한다.
• GMM 매개변수 갱신을 위해 후행 확률 P(l|y_i)를 통한 소프트 레이블 할당을 적용하여 클러스터 평균과 분산의 반복적 개선을 가능하게 한다.

실험 결과

연구 질문

• RQ1 GMM 기반 HMRF 모델은 기존의 표준 k-means 클러스터링 대비 색상 영상에서 분할 정확도와 공간 일관성 측면에서 향상되는가?
• RQ2 강도 분포에 대한 사전 지식이 없는 조건에서 HMRF-EM 프레임워크는 비지도 분할을 얼마나 효과적으로 처리하는가?
• RQ3 특히 높은 노이즈 조건에서 MRF 사전확률은 3차원 볼륨 분할에서 공간 연속성을 얼마나 효과적으로 강제하는가?
• RQ4 2차원 및 3차원 응용에서 영상 크기와 EM 반복 횟수에 따라 계산 복잡도는 어떻게 증가하는가?

주요 결과

• HMRF 기반 분할은 k-means 클러스터링보다 특히 분할 영역의 공간 연속성을 유지함으로써 더 매끄러운 결과를 도출한다.
• 3차원 볼륨 분할에서, HMRF 방법은 균일한 노이즈 조건에서도 전경 객체의 구형 형태를 성공적으로 복원하지만, k-means는 공간 일관성을 유지하지 못한다.
• 2.53 GHz CPU에서 50×50×50 크기의 3차원 볼륨에 대해 10회의 EM 반복과 10회의 MAP 반복을 수행할 경우 약 14초 내에 수렴한다.
• GMM의 사용은 단일 가우시안 가정보다 더 복잡한 강도 분포를 보다 잘 모델링할 수 있게 하여 분할 정밀도를 향상시킨다.
• 후행 확률 P(l|y_i)를 통한 소프트 할당은 EM 과정에서 더 강건한 매개변수 갱신을 가능하게 한다.