[论文解读] Polynomial time algorithms for bi-criteria, multi-objective and ratio problems in clustering and imaging. Part I: Normalized cut and ratio regions

Dorit S. Hochbaum|arXiv (Cornell University)|Mar 2, 2008

Medical Image Segmentation Techniques参考文献 20被引用 3

一句话总结

本文首次提出了用于在聚类和图像分割中最优求解归一化切割（normalized cut）和比例区域（ratio regions）问题的多项式时间组合算法。通过将这两个问题转化为在构造图上的参数化最小 $s,t$-割计算，该方法高效地计算出最优解，并获得所有目标相对权重下的完整嵌套解序列，其在最优性和效率方面均优于谱松弛启发式方法。

ABSTRACT

Partitioning and grouping of similar objects plays a fundamental role in image segmentation and in clustering problems. In such problems a typical goal is to group together similar objects, or pixels in the case of image processing. At the same time another goal is to have each group distinctly dissimilar from the rest and possibly to have the group size fairly large. These goals are often combined as a ratio optimization problem. One example of such problem is the normalized cut problem, another is the ratio regions problem. We devise here the first polynomial time algorithms solving these problems optimally. The algorithms are efficient and combinatorial. This contrasts with the heuristic approaches used in the image segmentation literature that formulate those problems as nonlinear optimization problems, which are then relaxed and solved with spectral techniques in real numbers. These approaches not only fail to deliver an optimal solution, but they are also computationally expensive. The algorithms presented here use as a subroutine a minimum $s,t-cut procedure on a related graph which is of polynomial size. The output consists of the optimal solution to the respective ratio problem, as well as a sequence of nested solution with respect to any relative weighting of the objectives of the numerator and denominator. An extension of the results here to bi-criteria and multi-criteria objective functions is presented in part II.

研究动机与目标

• 开发用于图像分割与聚类中双准则比值问题（特别是归一化切割与比例区域）的最优、多项式时间算法。
• 克服谱松弛方法存在的次优解与计算成本高的局限性。
• 不仅提供比值问题的最优解，还提供所有目标权重相对配置下的完整嵌套解序列。
• 建立一个适用于聚类与成像中双准则与多准则优化的通用框架，其扩展内容见第二部分。

提出的方法

• 将归一化切割与比例区域问题建模为带约束的二值整数规划，通过关联二值变量 $x_j$ 与 $z_{ij}$ 来表示切割成员关系与边穿越情况。
• 通过引入拉格朗日松弛参数 $\lambda$，将每个问题转化为参数化的 $\lambda$-问题，以平衡分子与分母目标。
• 构建一个大小为 $O(n)$ 个节点与 $O(m)$ 条弧的辅助图 $G'_{st}$，其中每个节点 $x_j$ 以容量 $\lambda v_j$ 连接到汇点，且固定一个源点种子 $x_s$。
• 使用基于伪流的算法求解 $G'_{st}$ 上的参数化最小 $s,t$-割问题，高效计算出最优解及所有 $\lambda$ 值下的嵌套解。
• 利用参数化 $s,t$-割算法的时间复杂度为 $O(mn\log(n^2/m + 2))$，优于此类问题的标准 $O(m^2\log m)$ 时间界。
• 利用参数化割与比值目标之间的对偶性，提取最优比值解与完整的解路径。

实验结果

研究问题

• RQ1 是否可以使用组合方法而非谱松弛，以多项式时间最优求解归一化切割问题？
• RQ2 是否可以对所有目标分量的相对权重配置，最优且高效地求解比例区域问题？
• RQ3 是否存在一种通用方法，可生成双准则比值问题的嵌套解序列，而不仅限于最优比值解？
• RQ4 参数化最小 $s,t$-割框架是否可被适配，以获得具有比值目标的图像分割与聚类问题的最优解？

主要发现

• 所提出的算法以 $O(mn\log(n^2/m + 2))$ 的时间复杂度，多项式时间最优求解归一化切割与比例区域问题，显著优于直接应用参数化割的 $O(m^2\log m)$ 复杂度。
• 该方法不仅计算出比值问题的最优解，还为权重参数 $\lambda$ 的所有取值生成完整的嵌套解序列，提供了远超单一最优解的丰富洞察。
• 该算法在性能上优于谱松弛技术，后者为启发式方法、非最优且计算成本高，而本方法提供精确的组合解。
• 该框架具有通用性，适用于任意图结构，不仅限于平面或网格结构图像，因此广泛适用于聚类与成像问题。
• 在合成图像上的实验结果表明，该算法能正确且精确地将前景与背景分离，验证了其实际有效性。
• 伪流算法的使用实现了理论与实际效率的双重提升，且公开可用的代码支持可复现性与实际部署。