[论文解读] Detection of curved lines with B-COSFIRE filters: A case study on crack delineation

Nicola Strisciuglio, George Azzopardi+1 more|arXiv (Cornell University)|Jul 24, 2017

Retinal Imaging and Analysis参考文献 19被引用 4

一句话总结

本文提出了一种受大脑启发的 B-COSFIRE 滤波器流水线，用于在噪声图像中检测弯曲、纤细且不完整的线条，在 Crack_PV14 数据集上实现了最先进性能（F-measure = 0.865）。该方法结合了非线性滤波、非极大值抑制、滞后阈值化和形态学闭运算，能够鲁棒地勾勒出如路面图像中的裂缝等曲线结构。

ABSTRACT

The detection of curvilinear structures is an important step for various computer vision applications, ranging from medical image analysis for segmentation of blood vessels, to remote sensing for the identification of roads and rivers, and to biometrics and robotics, among others. %The visual system of the brain has remarkable abilities to detect curvilinear structures in noisy images. This is a nontrivial task especially for the detection of thin or incomplete curvilinear structures surrounded with noise. We propose a general purpose curvilinear structure detector that uses the brain-inspired trainable B-COSFIRE filters. It consists of four main steps, namely nonlinear filtering with B-COSFIRE, thinning with non-maximum suppression, hysteresis thresholding and morphological closing. We demonstrate its effectiveness on a data set of noisy images with cracked pavements, where we achieve state-of-the-art results (F-measure=0.865). The proposed method can be employed in any computer vision methodology that requires the delineation of curvilinear and elongated structures.

研究动机与目标

• 开发一种通用、鲁棒的检测器，用于在噪声大且复杂的图像中检测曲线结构。
• 解决在真实图像中检测纤细、不完整且高度弯曲的线条（如路面裂缝）的挑战。
• 利用受大脑启发的可训练滤波器，无需手动特征工程，且能泛化于不同线条形状和方向。
• 在无需大量真实标注数据的情况下，实现在基准裂缝检测数据集上的最先进性能。
• 提供一种灵活、模块化的流水线，适用于涉及线条分割的多样化计算机视觉任务。

提出的方法

• 应用 B-COSFIRE 滤波器——一种基于 V1 皮层简单细胞建模的可训练、受大脑启发的滤波器——通过原型图案自动配置。
• 使用 B-COSFIRE 的非线性滤波，选择性响应特定宽度和方向的拉长、弯曲结构。
• 应用非极大值抑制，将响应图细化为单像素宽的线条。
• 应用滞后阈值化，保留与强响应相连的弱响应，增强连续性。
• 执行形态学闭运算，以重新连接断裂的线条段并填充小间隙。
• 通过参数 σ₀ 和 α 控制鲁棒性，实现对线条形状变化和噪声的容忍。

实验结果

研究问题

• RQ1 可训练的、受大脑启发的滤波器方法是否能在检测噪声图像中纤细、不完整且高度弯曲的线条方面超越现有方法？
• RQ2 基于 B-COSFIRE 的流水线在真实图像中对噪声、线条不连续性和高弯曲度的鲁棒性如何？
• RQ3 B-COSFIRE 滤波器的自动配置和表征学习在多大程度上减少了对手动特征工程的需求？
• RQ4 所提出的流水线是否在 Crack_PV14 等基准裂缝检测数据集上实现了最先进性能？
• RQ5 该方法能否泛化应用于需要检测曲线结构的多样化计算机视觉应用？

主要发现

• 所提方法在 Crack_PV14 数据集上实现了最先进 F-measure 0.865，优于现有方法。
• B-COSFIRE 滤波器对噪声具有高度鲁棒性，在测试刺激中 SNR 低至 3.56 dB 仍表现良好。
• 该方法能成功检测不完整线条和高度弯曲的结构（如遵循一维 Gabor 函数的结构），即使在显著噪声下亦然。
• 由于滤波器具有可训练性和容忍性设计，该流水线在不同线条宽度和方向下均保持高精度。
• 在 2.7 GHz 处理器上，每幅图像（200×300 像素）的平均处理时间为 0.3575 秒，具备并行化潜力。
• 该方法对线条不连续性具有鲁棒性，如对带有最大 5° 角度缺口的虚线圆形图案，检测结果保持一致。