[논문 리뷰] Hybrid Image Segmentation using Discerner Cluster in FCM and Histogram Thresholding

Firas A. Jassim|arXiv (Cornell University)|2013. 02. 06.

Medical Image Segmentation Techniques참고 문헌 6인용 수 11

한 줄 요약

이 논문은 흐림 처리된 히스토그램에서 가장 높은 피크를 가진 '구분자 군집'(discerner cluster)을 사용하여 최적의 임계값을 자동으로 결정함으로써 퍼지 c-의미(Clustering, FCM) 군집화와 히스토그램 임계값 설정을 조합한 하이브리드 이미지 분할 방법을 제안한다. 이 방법은 픽셀 강도가 아니라 히스토그램의 빈도값에 FCM를 적용함으로써 주로 나타나는 군집을 객체 영역으로 식별하여 표준 테스트 이미지에서 높은 정확도로 임계값 선택을 실현함으로써 강력한 분할 성능을 달성한다.

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).

연구 동기 및 목표

• 회색조 이미지의 이미지 분할에서 자동 임계값 설정 문제를 해결하기 위해.
• 이미지 히스토그램 빈도값에 대한 군집 분석을 활용하여 임계값 설정의 강건성과 정확도를 향상시키기 위해.
• 매끄러운 히스토그램에서 가장 높은 피크를 가진 군집인 '구분자 군집'(discerner cluster)을 신뢰할 수 있는 객체 분할 지표로 식별하기 위해.
• 히스토그램 데이터의 FCM 군집화를 통해 수동 임계값 설정에 대한 의존도를 줄이고 자동화된 과정을 구현하기 위해.
• FCM 군집화와 히스토그램 기반 임계값 설정 기법을 융합하여 분할 성능을 향상시키기 위해.

제안 방법

• 이 방법은 픽셀 강도가 아니라 매끄러운 이미지 히스토그램의 빈도값(y-값)에 표준 FCM 군집화 알고리즘을 적용한다.
• 히스토그램에서 가장 높은 피크를 가진 군집은 가장 흔한 강도 값을 나타내며, 이를 '구분자 군집'으로 지정한다.
• 구분자 군집에 속하는 픽셀은 객체로 분류되고, 나머지 군집은 배경으로 간주된다.
• 알고리즘은 구분자 군집의 중심점을 사용하여 분할을 위한 최적의 임계값을 결정한다.
• 이 접근법은 이미지 분할 문제를 히스토그램 빈도 분포에 대한 군집화 작업으로 변환한다.
• 이 방법은 표준 테스트 이미지를 사용하여 자동 임계값 설정의 효과성을 검증한다.

실험 결과

연구 질문

• RQ1 히스토그램 빈도값에 대한 FCM 군집화는 이미지 분할에서 자동 임계값 설정을 향상시킬 수 있는가?
• RQ2 가장 높은 피크를 가진 군집(구분자 군집)을 식별하는 것이 기존의 임계값 설정 방식보다 더 정확한 분할을 이끌 수 있는가?
• RQ3 제안된 하이브리드 방법은 기존의 임계값 설정 기법들과 비교하여 분할 정확도와 강건성 측면에서 어떻게 성능을 내는가?
• RQ4 구분자 군집은 회색조 이미지에서 객체 영역을 배경과 효과적으로 구분할 수 있는가?
• RQ5 히스토그램을 매끄럽게 처리하는 것이 FCM 기반의 임계값 설정 방법의 성능에 어떤 영향을 미치는가?

주요 결과

• 매끄러운 히스토그램에서 가장 높은 피크를 가진 FCM 군집으로 정의된 '구분자 군집'은 테스트 이미지에서 일관되게 객체 영역을 식별하였다.
• 수동 임계값 입력 없이도 정확한 분할을 달성하여 자동 임계값 설정 능력을 입증하였다.
• 원시 픽셀 데이터 대신 히스토그램 빈도값을 사용함으로써 계산 복잡도를 감소시키면서도 분할 정확도를 유지하였다.
• 표준 테스트 이미지에 대한 실험 결과는 이 방법이 객체 경계를 효과적으로 식별할 수 있음을 확인하였다.
• 히스토그램의 군집 구조를 활용함으로써 기초적인 임계값 설정 방법보다 우수한 성능을 보였다.
• 하이브리드 FCM-히스토그램 임계값 설정 방법은 회색조 이미지의 자동 이미지 분할에 강력한 솔루션을 제공하였다.