[论文解读] Dam Burst: A region-merging-based image segmentation method

Rui Tang, Wenlong Song+3 more|arXiv (Cornell University)|Feb 26, 2020

Digital Imaging for Blood Diseases参考文献 3被引用 4

一句话总结

本文提出 Dam Burst，一种基于单层次区域合并的图像分割方法，通过模拟地下洪水冲刷区域之间的水坝，防止过度分割的同时保留精细细节。区域按内部梯度升序合并，边缘被视作结构性水坝，从而在无需层次化阈值或卷积神经网络（CNN）限制的情况下实现鲁棒分割，在基准数据集上取得高精度。

ABSTRACT

Until now, all single level segmentation algorithms except CNN-based ones lead to over segmentation. And CNN-based segmentation algorithms have their own problems. To avoid over segmentation, multiple thresholds of criteria are adopted in region merging process to produce hierarchical segmentation results. However, there still has extreme over segmentation in the low level of the hierarchy, and outstanding tiny objects are merged to their large adjacencies in the high level of the hierarchy. This paper proposes a region-merging-based image segmentation method that we call it Dam Burst. As a single level segmentation algorithm, this method avoids over segmentation and retains details by the same time. It is named because of that it simulates a flooding from underground destroys dams between water-pools. We treat edge detection results as strengthening structure of a dam if it is on the dam. To simulate a flooding from underground, regions are merged by ascending order of the average gra-dient inside the region.

研究动机与目标

• 解决单层次区域合并分割算法中持续存在的过度分割问题。
• 消除分层合并中对多重阈值标准的依赖，此类方法在低层级仍导致过度分割，在高层级则造成微小物体的错误合并。
• 开发一种单层次分割方法，在避免过度分割的同时保留精细细节。
• 模拟从下方开始的自然洪水过程，以受控的、梯度驱动的方式冲刷区域边界。

提出的方法

• 使用标准区域生长或基于分水岭的分割方法初始化区域，形成初始片段。
• 计算每个区域的内部梯度，即其边界内平均梯度幅值。
• 按内部平均梯度升序合并区域，模拟地下水位从地下逐渐上升的过程。
• 通过标准边缘检测（如 Canny）检测到的边缘被视作结构性水坝，除非满足梯度条件，否则不会被合并。
• 仅当满足梯度条件且边缘不被视为强水坝时才执行合并，从而防止在显著边界处过早合并。
• 当进一步合并无法提升分割质量时，过程终止，生成单层次、细节保留的输出。

实验结果

研究问题

• RQ1 单层次区域合并方法能否在不依赖分层阈值或深度学习的情况下避免过度分割？
• RQ2 如何利用区域内部梯度作为可靠合并准则，以保留微小但显著的物体？
• RQ3 与传统合并策略相比，模拟地下洪水在多大程度上能提升分割精度和细节保留能力？
• RQ4 能否有效将边缘结构建模为“水坝”，以实现物理上直观的合并决策引导？

主要发现

• Dam Burst 方法在标准基准数据集上实现了优越的分割精度，优于传统区域合并与分层方法。
• 该方法有效防止了在分层策略中低层级的过度分割问题，这是多阈值合并策略中的长期难题。
• 即使在高梯度背景下，微小且显著的物体也能被完整保留，不会被错误合并到相邻大区域中。
• 利用内部梯度作为合并优先级准则，可在无需深度学习或复杂后处理的情况下，实现鲁棒且细节保留的分割。