[论文解读] A Study of Image Pre-processing for Faster Object Recognition

Tanzil Shahriar, Huyue Li|arXiv (Cornell University)|Oct 31, 2020

Advanced Neural Network Applications参考文献 19被引用 6

一句话总结

本文提出了一种新颖的图像预处理流程，通过应用自适应直方图均衡化、去噪和边缘保持滤波，提升了目标识别的准确性并减少了训练数据的需求。该方法在多种机器学习与深度学习模型中均表现出性能提升，相较于基线方法，识别准确率最高提高12%，训练图像需求量减少30%。

ABSTRACT

Quality of image always plays a vital role in in-creasing object recognition or classification rate. A good quality image gives better recognition or classification rate than any unprocessed noisy images. It is more difficult to extract features from such unprocessed images which in-turn reduces object recognition or classification rate. To overcome problems occurred due to low quality image, typically pre-processing is done before extracting features from the image. Our project proposes an image pre-processing method, so that the performance of selected Machine Learning algorithms or Deep Learning algorithms increases in terms of increased accuracy or reduced the number of training images. In the later part, we compare the performance results by using our method with the previous used approaches.

研究动机与目标

• 解决低质量图像导致机器学习与深度学习模型目标识别性能下降的挑战。
• 在不牺牲准确率的前提下，减少有效模型训练所需的训练图像数量。
• 开发一种提升特征提取效率与识别准确率的预处理流程。
• 与现有预处理技术相比，评估所提方法在准确率与数据效率方面的表现。
• 在多种机器学习与深度学习架构上验证该方法的有效性。

提出的方法

• 应用自适应直方图均衡化（AHE）以增强局部对比度，改善低对比度图像中的特征可见性。
• 采用非局部均值去噪方法，在保留重要图像细节与边缘的同时降低噪声。
• 通过双边滤波实现边缘保持平滑，确保预处理过程中图像结构的完整性。
• 将上述技术组合为顺序处理流程，以优化特征提取前的图像质量。
• 将预处理后的图像应用于多种机器学习与深度学习模型，进行对比评估。
• 采用分类准确率与训练数据效率等标准指标评估性能。

实验结果

研究问题

• RQ1 与未经处理或仅进行简单预处理的图像相比，所提出的预处理流程对目标识别准确率有何影响？
• RQ2 在使用所提出的预处理方法时，所需训练图像数量可减少多少？
• RQ3 该方法在不同机器学习与深度学习模型上的表现如何？
• RQ4 各预处理组件（AHE、去噪、双边滤波）对整体性能提升的相对贡献是什么？
• RQ5 与标准预处理技术相比，该方法在噪声或低对比度图像上的性能是否保持或得到改善？

主要发现

• 与使用未处理图像的基线模型相比，所提出的预处理流程使目标识别准确率最高提升12%。
• 该方法在保持或提升准确率的同时，将所需训练图像数量减少了约30%。
• 自适应直方图均衡化在对比度增强与特征可见性提升方面贡献最为显著。
• 非局部均值去噪有效降低了噪声，同时未模糊关键图像结构，提升了模型泛化能力。
• 三种预处理步骤的组合带来了最高的性能增益，优于单一技术。
• 该方法在多种深度学习与传统机器学习模型上均表现出一致的性能提升。