[论文解读] Automatic Color Image Segmentation Using a Square Elemental Region-Based Seeded Region Growing and Merging Method

Hisashi Shimodaira|arXiv (Cornell University)|Nov 26, 2017

Advanced Image and Video Retrieval Techniques参考文献 29被引用 3

一句话总结

本文提出了一种快速、稳定的自动彩色图像分割方法，使用方形基本区域（而非像素）作为处理单元。该方法基于增强梯度的种子区域生长，通过基于Tsallis熵的同质性距离进行区域合并，并采用基于估计区域数量的终止条件，实现了在各种自然图像上使用统一参数的一致、高质量分割结果。

ABSTRACT

This paper presents an efficient automatic color image segmentation method using a seeded region growing and merging method based on square elemental regions. Our segmentation method consists of the three steps: generating seed regions, merging the regions, and applying a pixel-wise boundary determination algorithm to the resultant polygonal regions. The major features of our method are as follows: the use of square elemental regions instead of pixels as the processing unit, a seed generation method based on enhanced gradient values, a seed region growing method exploiting local gradient values, a region merging method using a similarity measure including a homogeneity distance based on Tsallis entropy, and a termination condition of region merging using an estimated desired number of regions. Using square regions as the processing unit substantially reduces the time complexity of the algorithm and makes the performance stable. The experimental results show that our method exhibits stable performance for a variety of natural images, including heavily textured areas, and produces good segmentation results using the same parameter values. The results of our method are fairly comparable to, and in some respects better than, those of existing algorithms.

研究动机与目标

• 开发一种自动彩色图像分割方法，该方法在各种图像类型中均具备高效性和鲁棒性。
• 通过使用方形基本区域（而非单个像素）作为处理单元，降低时间复杂度并提高稳定性。
• 在各种图像（包括纹理较重的图像）中，使用相同的参数设置实现一致的分割性能。
• 提出一种基于Tsallis熵的新型区域合并策略，以改进同质性度量。
• 引入基于估计目标区域数量的终止条件，以实现对分割结果粒度的可控性。

提出的方法

• 该方法使用方形基本区域（例如3×3或5×5像素块）代替单个像素作为处理单元，以降低计算复杂度。
• 通过增强梯度值生成种子区域，以识别初始的同质区域并具有高对比度。
• 基于局部梯度值扩展种子区域，执行区域生长，以保持区域的同质性。
• 区域合并由一种相似性度量引导，该度量包含基于Tsallis熵推导出的同质性距离，用于评估区域间的相似性。
• 当区域数量达到估计的目标值时，合并过程终止，从而实现对分割粒度的控制。
• 在最终的多边形区域上应用像素级边界确定算法，以优化分割边缘。

实验结果

研究问题

• RQ1 使用方形基本区域代替像素是否能显著降低时间复杂度，同时保持分割精度？
• RQ2 基于增强梯度的种子生成方法在各种图像中识别有意义初始区域的效率如何？
• RQ3 与传统相似性度量相比，基于Tsallis熵的同质性距离在区域合并中的改进程度如何？
• RQ4 基于估计区域数量的终止条件是否能产生稳定且可预测的分割结果？
• RQ5 与现有算法相比，该方法在具有复杂纹理的自然图像上的表现如何？

主要发现

• 使用方形基本区域显著降低了时间复杂度，实现了更快的处理速度，且未牺牲分割质量。
• 在使用相同参数设置的情况下，该方法在各种自然图像（包括纹理较重的图像）中均表现出稳定的分割性能。
• 分割结果与现有区域生长和合并算法的结果相当接近，某些情况下甚至更优。
• 基于Tsallis熵的同质性距离通过有效捕捉区域间的相似性，显著提升了区域合并的准确性。
• 基于目标区域数量的终止条件使分割结果具有可控性和可预测性。
• 最终的像素级边界确定步骤提升了边缘精度，使分割边界更清晰、更精确。