[논문 리뷰] Re-initialization Free Level Set Evolution via Reaction Diffusion

Kaihua Zhang, Lei Zhang외 2명|arXiv (Cornell University)|2011. 12. 07.

Advanced Vision and Imaging참고 문헌 43인용 수 5

한 줄 요약

이 논문은 수치적 안정성을 확보하기 위해 두 단계 분할 방법을 사용하는 반응-확산(RD) 프레임워크를 활용한 재초기화가 필요 없는 레벨셋 진화 방법을 제안한다. 이 방법은 레벨셋 방정식에 확산 항을 통합하여 안정적인 수치적 해를 가능하게 하며, 비용이 많이 드는 재초기화가 필요 없이 경계의 누출 방지 성능을 유지하면서 유한차분법을 이용한 간편한 구현이 가능하다.

ABSTRACT

This paper presents a novel reaction-diffusion (RD) method for implicit active contours, which is completely free of the costly re-initialization procedure in level set evolution (LSE). A diffusion term is introduced into LSE, resulting in a RD-LSE equation, to which a piecewise constant solution can be derived. In order to have a stable numerical solution of the RD based LSE, we propose a two-step splitting method (TSSM) to iteratively solve the RD-LSE equation: first iterating the LSE equation, and then solving the diffusion equation. The second step regularizes the level set function obtained in the first step to ensure stability, and thus the complex and costly re-initialization procedure is completely eliminated from LSE. By successfully applying diffusion to LSE, the RD-LSE model is stable by means of the simple finite difference method, which is very easy to implement. The proposed RD method can be generalized to solve the LSE for both variational level set method and PDE-based level set method. The RD-LSE method shows very good performance on boundary anti-leakage, and it can be readily extended to high dimensional level set method. The extensive and promising experimental results on synthetic and real images validate the effectiveness of the proposed RD-LSE approach.

연구 동기 및 목표

• 기존 레벨셋 진화(LSE)에서 계산 비용이 많이 드는 재초기화 절차를 제거하기 위해.
• 레벨셋 함수의 진화를 확산 과정을 통해 안정화하여 자연스럽게 부호 거리 성질을 유지하기 위해.
• 변분 및 PDE 기반 레벨셋 방법 모두에 대해 수치적으로 안정적이고 쉽게 구현할 수 있는 방법을 개발하기 위해.
• 이미지 분할 작업에서 경계의 누출 방지 성능을 향상시키기 위해.
• 고차원 레벨셋 문제로의 방법 일반화를 위해.

제안 방법

• 표준 LSE 프레임워크에 확산 항을 추가하여 반응-확산 레벨셋 진화(RD-LSE) 방정식을 도입한다.
• RD-LSE 방정식을 해결하기 위해 두 단계 분할 방법(TSSM)을 활용한다: 먼저 LSE 단계를 풀고, 그 다음에 확산을 적용하여 레벨셋 함수를 정규화한다.
• 첫 번째 단계에서는 이미지 힘에 기반해 레벨셋 함수를 진화시키고, 두 번째 단계에서는 이를 스무딩하고 안정화시킨다.
• 재초기화가 필요 없이 안정적이고 효율적인 수치적 해를 확보하기 위해 간단한 유한차분법을 적용한다.
• RD-LSE 방정식에 대해 조각별로 일정한 해를 유도하여 강건성과 수렴성을 확보한다.
• 방법을 변분 레벨셋 및 PDE 기반 레벨셋 형식 모두로 일반화한다.

실험 결과

연구 질문

• RQ1 확산 항이 레벨셋 진화에 효과적으로 통합되어 재초기화가 필요 없도록 할 수 있는가?
• RQ2 제안된 두 단계 분할 방법이 수치적 안정성을 보장하고 레벨셋 함수의 부호 거리 성질을 유지하는가?
• RQ3 RD-LSE 모델이 기존 LSE보다 뛰어난 경계 누출 방지 성능을 달성할 수 있는가?
• RQ4 이 방법은 고차원 레벨셋 문제로 쉽게 일반화될 수 있는가?
• RQ5 추가적인 계산 오버헤드 없이 표준 유한차분 스킴을 사용해 효율적으로 구현할 수 있는가?

주요 결과

• 제안된 RD-LSE 방법은 레벨셋 진화에서 비용이 많이 드는 재초기화 절차를 성공적으로 제거한다.
• 두 단계 분할 방법은 확산 정규화를 통해 수치적 안정성과 부호 거리 성질의 유지 보장을 보장한다.
• 합성 이미지와 실제 이미지 모두에서 뛰어난 경계 누출 방지 성능을 달성한다.
• 간단한 유한차분 방법을 통해 해를 구할 경우 안정적이고 효율적이며, 간편한 구현이 가능하다.
• RD-LSE 모델은 변분 레벨셋 및 PDE 기반 레벨셋 형식 모두에 잘 일반화된다.
• 광범위한 실험을 통해 다양한 이미지 분할 작업에서 이 방법의 효과성과 강건성을 입증한다.