[论文解读] Morphological Filtering in Shape Spaces: Applications using Tree-Based Image Representations

Yongchao Xu, Thierry Géraud+1 more|arXiv (Cornell University)|Apr 20, 2012

Medical Image Segmentation Techniques参考文献 8被引用 55

一句话总结

本文提出了一种新颖的形态学滤波框架，通过在图像组件的树状结构图表示的形状空间中直接应用连通算子。通过将形状树视为加权图，并在其属性上应用形态学操作（例如闭运算），该方法实现了高级滤波——如基于非递增属性的层级化处理和自对偶形态学形状处理——在保留相关对象的同时抑制噪声，其性能优于标准阈值化方法。

ABSTRACT

Connected operators are filtering tools that act by merging elementary regions of an image. A popular strategy is based on tree-based image representations: for example, one can compute an attribute on each node of the tree and keep only the nodes for which the attribute is sufficiently strong. This operation can be seen as a thresholding of the tree, seen as a graph whose nodes are weighted by the attribute. Rather than being satisfied with a mere thresholding, we propose to expand on this idea, and to apply connected filters on this latest graph. Consequently, the filtering is done not in the space of the image, but on the space of shapes build from the image. Such a processing is a generalization of the existing tree-based connected operators. Indeed, the framework includes classical existing connected operators by attributes. It also allows us to propose a class of novel connected operators from the leveling family, based on shape attributes. Finally, we also propose a novel class of self-dual connected operators that we call morphological shapings.

研究动机与目标

• 为克服基于树的连通滤波中标准阈值化方法的局限性，后者常因属性非递增而无法保留具有层次关系的对象。
• 通过在形状空间而非图像域中操作，推广现有连通算子，实现更灵活且上下文感知的滤波。
• 引入两类新型形态学连通滤波器：基于非递增准则的形态学层级化处理和自对偶形态学形状处理。
• 证明所提出的框架可涵盖经典基于属性的滤波，并通过在形状树上最小化能量泛函实现更优的目标检测。

提出的方法

• 将输入图像表示为组件树（例如，最小树、最大树或形状树），其中节点对应连通分量，边编码包含关系。
• 为每个节点分配一个形状属性（例如，圆形度、惯性矩），形成表示形状空间的节点加权图。
• 构建形状空间的最小树（TT），以识别属性的局部极小值，这些极小值对应候选有意义的组件。
• 对属性值应用形态学操作——特别是属性值上的形态学闭运算——以简化最小树并去除虚假极小值。
• 从简化后的树重建滤波图像，仅保留具有显著属性值的组件。
• 利用所得树通过最小化能量泛函提取对象，结合紧凑性与伸长率等形状特征。

实验结果

研究问题

• RQ1 能否通过直接在形状空间中操作，将形态学滤波从基于树的图像表示中的阈值化推广？
• RQ2 如何有效利用非递增形状属性进行连通滤波，以保留具有层次关系的对象？
• RQ3 与现有基于属性的滤波方法相比，自对偶形态学形状处理具有哪些特性与优势？
• RQ4 所提出的框架能否通过在统一形态学框架中结合多个形状属性来提升目标检测性能？

主要发现

• 所提出的框架通过在形状空间中操作，推广了经典基于属性的滤波，即使在属性非递增时也能实现更鲁棒的滤波。
• 形态学形状处理——即自对偶连通滤波器——即使在属性非单调时也能成功保留相关对象，性能优于标准阈值化方法。
• 在目标检测中，该方法通过在形状树上最小化形状能量泛函识别有意义的组件，结合圆形度和 I/A² 等属性可进一步提升结果。
• 实验表明，基于消亡的形状处理能恢复所有期望对象（例如，明暗圆圈），而阈值化因属性值冲突而失败。
• 结合多个形状属性（例如圆形度和 I/A²）可显著提升滤波性能，形态学形状处理的结果优于单独使用阈值化。
• 该方法具有通用性和可扩展性：支持任意形状属性或其组合，可应用于最小树、最大树或形状树，适用于图像处理中的广泛应用场景。