[论文解读] An Efficient Evolutionary Based Method For Image Segmentation

Aslanzadeh, Roohollah, Kazem Qazanfari+1 more|arXiv (Cornell University)|Sep 13, 2017

Medical Image Segmentation Techniques参考文献 28被引用 7

一句话总结

本文提出了一种高效、四层的进化图像分割方法，结合了分水岭分割、协同进化合并、元启发式区域中心连接以及进化区域组合。该方法在BSDS 300数据集上表现优异，70%的图像中优于ACT，100%的图像中优于VSP，具有高度的灵活性、可并行性，并可通过自由参数灵活控制分割均匀性与区域数量。

ABSTRACT

The goal of this paper is to present a new efficient image segmentation method based on evolutionary computation which is a model inspired from human behavior. Based on this model, a four layer process for image segmentation is proposed using the split/merge approach. In the first layer, an image is split into numerous regions using the watershed algorithm. In the second layer, a co-evolutionary process is applied to form centers of finals segments by merging similar primary regions. In the third layer, a meta-heuristic process uses two operators to connect the residual regions to their corresponding determined centers. In the final layer, an evolutionary algorithm is used to combine the resulted similar and neighbor regions. Different layers of the algorithm are totally independent, therefore for certain applications a specific layer can be changed without constraint of changing other layers. Some properties of this algorithm like the flexibility of its method, the ability to use different feature vectors for segmentation (grayscale, color, texture, etc), the ability to control uniformity and the number of final segments using free parameters and also maintaining small regions, makes it possible to apply the algorithm to different applications. Moreover, the independence of each region from other regions in the second layer, and the independence of centers in the third layer, makes parallel implementation possible. As a result the algorithm speed will increase. The presented algorithm was tested on a standard dataset (BSDS 300) of images, and the region boundaries were compared with different people segmentation contours. Results show the efficiency of the algorithm and its improvement to similar methods. As an instance, in 70% of tested images, results are better than ACT algorithm, besides in 100% of tested images, we had better results in comparison with VSP algorithm.

研究动机与目标

• 开发一种受进化计算与人类行为启发的新型高效图像分割方法。
• 通过使用多样化的特征向量（灰度、颜色、纹理）实现灵活分割，并控制最终区域数量与均匀性。
• 通过确保各层中区域与中心之间的独立性，支持并行实现。
• 在标准基准测试中，提升对现有方法（如ACT与VSP）的分割精度。
• 设计一种模块化框架，使得单个模块可独立替换而不影响整个流程。

提出的方法

• 第一层使用分水岭算法将图像分割为大量初级区域。
• 第二层应用协同进化过程，将相似的初级区域合并为最终的区域中心。
• 第三层采用元启发式过程，结合两种算子，将剩余区域连接至最近的已确定中心。
• 第四层使用进化算法，将相似且相邻的区域合并为最终的分割区域。
• 每一层独立运行，支持模块化替换，并促进并行执行。
• 自由参数可控制分割均匀性与最终区域数量，增强对不同应用场景的适应能力。

实验结果

研究问题

• RQ1 基于进化计算的分割框架是否能在精度上超越现有方法（如ACT与VSP）？
• RQ2 四层设计的模块化特性在多大程度上支持对各组件的独立优化？
• RQ3 该方法在保持小区域的同时，维持分割均匀性的效果如何？
• RQ4 区域与中心处理的独立性是否能有效支持并行化，从而提升运行效率？
• RQ5 该方法在使用不同特征向量（如颜色、纹理）时，对多样化图像类型的泛化能力如何？

主要发现

• 在BSDS 300数据集的测试图像中，该方法在70%的图像上优于ACT算法。
• 在100%的测试图像中，该方法优于VSP算法。
• 该算法能够有效保留小区域，这是相较于易忽略此类特征的方法的重要优势。
• 第二层中区域的独立性与第三层中中心的独立性，使得并行实现更加高效，显著提升处理速度。
• 通过使用自由参数，用户可灵活控制最终区域数量与均匀性，显著增强对特定应用的适应能力。
• 该方法通过支持灰度、颜色与纹理等多种特征向量，展现出高度的灵活性。