[论文解读] Automatic Tree Ring Detection using Jacobi Sets

Kayla Makela, Tim Ophelders+4 more|arXiv (Cornell University)|Oct 17, 2020

Tree-ring climate responses参考文献 13被引用 5

一句话总结

本文提出了一种基于拓扑数据分析的自动化方法，用于在3D X射线CT扫描中检测树轮中心和边界，具体采用雅可比集（Jacobi sets）和持久同调（persistent homology）。通过结合Sobel滤波、高斯模糊以及基于编辑距离优化的参数调优，该方法在准确度上优于现有的自动化工具（如MtreeRing），在Red Cedar和Spartan样本中的编辑距离成本分别为964和2213，显著低于MtreeRing的2841和2661。

ABSTRACT

Tree ring widths are an important source of climatic and historical data, but measuring these widths typically requires extensive manual work. Computer vision techniques provide promising directions towards the automation of tree ring detection, but most automated methods still require a substantial amount of user interaction to obtain high accuracy. We perform analysis on 3D X-ray CT images of a cross-section of a tree trunk, known as a tree disk. We present novel automated methods for locating the pith (center) of a tree disk, and ring boundaries. Our methods use a combination of standard image processing techniques and tools from topological data analysis. We evaluate the efficacy of our method for two different CT scans by comparing its results to manually located rings and centers and show that it is better than current automatic methods in terms of correctly counting each ring and its location. Our methods have several parameters, which we optimize experimentally by minimizing edit distances to the manually obtained locations.

研究动机与目标

• 通过在3D X射线CT扫描中自动化检测树轮中心与环带边界，减少人工劳动。
• 解决现有自动化工具依赖用户定义测量路径或中心标记的局限性。
• 在面临环带变形、缺失/重复环带及对比度变化等挑战时，提升环带检测的准确性。
• 开发基于拓扑数据分析的参数优化流程，实现对不同树种的鲁棒性能。
• 通过编辑距离度量，将该方法与人工标注的真值及最先进的开源软件（MtreeRing）进行对比评估。

提出的方法

• 在多个方向应用Sobel滤波，检测基于梯度的边缘，识别潜在的环带边界。
• 使用可调σ的高斯模糊减少噪声，并在边缘检测前增强特征一致性。
• 从梯度幅值与方向中计算雅可比集，识别临界点并优化边缘定位。
• 应用持久同调过滤虚假边缘，保留具有拓扑意义的环带结构。
• 利用检测到的中心将2D切片转换为极坐标，使环带拉直以简化分析。
• 通过基于编辑距离与人工真值的代价函数，对三个关键参数（预阈值、后阈值和模糊σ）进行优化。

实验结果

研究问题

• RQ1 与传统图像处理方法相比，雅可比集和拓扑数据分析能否提升3D CT扫描中自动化树轮检测的准确性？
• RQ2 该方法在多大程度上减少了对用户输入的依赖，如中心标记或测量路径定义？
• RQ3 参数选择（模糊σ、阈值）如何影响检测准确度？能否针对不同树种实现自动优化？
• RQ4 在环带边界检测准确度方面，该方法与现有开源工具（如MtreeRing）相比，定量表现如何？
• RQ5 在环带变形、缺失环带或对比度变化的情况下，该方法能否可靠检测环带边界？

主要发现

• 该方法在Red Cedar中的编辑距离成本为964，在Spartan中为2213，显著低于MtreeRing的2841和2661，表明其准确度更优。
• 最优参数为：Red Cedar的σ = 1，预阈值 = 0.12，后阈值 = 0.02；Spartan的σ = 2，预阈值 = 0.16，后阈值 = 0.0。
• 使用雅可比集和持久同调等拓扑工具显著提升了边缘检测的鲁棒性，尤其在噪声或不规则区域表现更佳。
• 在中心检测后进行极坐标变换，使沿径向射线的环带宽度测量更加准确。
• 该方法仅需用户提供初始2D切片用于中心检测，用户输入极少，展现出高度自动化潜力。
• 在两个测试数据集中，该方法均优于MtreeRing，证实其在真实3D CT扫描数据中的有效性。