[论文解读] Edge Detection based on Kernel Density Estimation

Osvaldo Pereira, Esley Torre+2 more|arXiv (Cornell University)|Nov 5, 2014

Medical Image Segmentation Techniques参考文献 12被引用 6

一句话总结

本文提出一种基于核密度估计（KDE）的边缘检测方法，将边缘识别为联合空间-范围特征空间中密度最小的像素。通过联合建模图像强度与位置信息，该方法保持了边缘的连续性，并在伯克利数据集和医学图像上的定量验证中表现出色，与真实标注高度一致。

ABSTRACT

Edges of an image are considered a crucial type of information. These can be extracted by applying edge detectors with different methodology. Edge detection is a vital step in computer vision tasks, because it is an essential issue for pattern recognition and visual interpretation. In this paper, we propose a new method for edge detection in images, based on the estimation by kernel of the probability density function. In our algorithm, pixels in the image with minimum value of density function are labeled as edges. The boundary between two homogeneous regions is defined in two domains: the spatial/lattice domain and the range/color domain. Extensive experimental evaluations proved that our edge detection method is significantly a competitive algorithm.

研究动机与目标

• 开发一种新型边缘检测算法，通过在联合空间与强度域中操作，提升边缘连续性。
• 利用核密度估计自动确定边缘检测的最优阈值，避免人工调参。
• 在多种图像类型上，性能超越经典边缘检测器（如Canny、Sobel）的准确性和边缘连续性。
• 使用标准指标（PRI、NPRI、NED）在伯克利图像数据库的真实分割标注下对方法进行验证。
• 通过初步结果展示方法在真实世界医学成像中的适用性。

提出的方法

• 该方法使用双变量核密度估计器，联合估计图像像素的概率密度函数，结合空间域与强度（范围）域。
• 采用乘积核形式：$\hat{f}(x) = \frac{c}{n(h_s)^p(h_r)^q} \sum_{i=1}^n k_s\left(\left\|\frac{x - x_i}{h_s}\right\|^2\right) k_r\left(\left\|\frac{x - x_i}{h_r}\right\|^2\right)$，其中 $k_s$ 和 $k_r$ 分别为空间域和范围域的径向核函数。
• 通过在密度图上进行阈值处理，将密度函数值最小的像素识别为边缘。
• 算法分别使用均匀核和高斯核作为空间与范围分量的核函数，带宽 $h_s$ 和 $h_r$ 为用户定义的参数。
• 该方法在CPU上实现，时间复杂度为 $\Theta(hn)$，在GPU上实现，时间复杂度为 $\Theta(1)$，支持高效并行化。
• 通过在密度估计中同时考虑空间邻近性和强度变化，保持了边缘的连续性。

实验结果

研究问题

• RQ1 在联合空间-范围域中使用核密度估计，是否能相比经典方法提升边缘连续性？
• RQ2 所提出的边缘检测方法在伯克利分割数据集上的真实标注下表现如何？
• RQ3 基于KDE的阈值策略在多大程度上优于固定阈值或基于导数的方法？
• RQ4 该方法能否有效检测医学图像中的边缘，尤其是在噪声和强度变化普遍存在的场景中？
• RQ5 该算法的计算效率如何，特别是在GPU并行化形式下？

主要发现

• 所提出的EDD算法在伯克利数据库上的真实分割标注中表现出高度相似性，PRI、NPRI和NED评分与经典方法相比相当或更优。
• 该方法展现出优越的边缘连续性，避免了Canny和Sobel等经典检测器中常见的边缘断裂问题。
• 通过PRI、NPRI和NED的定量验证，确认EDD方法在性能上与最先进算法具有高度竞争力。
• 该算法在CPU上的时间复杂度为 $\Theta(hn)$，在GPU上为 $\Theta(1)$，表明其具备出色的可扩展性和并行化潜力。
• 在医学图像上的初步结果显示，该方法在可调带宽下适用于真实临床影像任务。
• 联合空间-范围密度估计的使用，使得在复杂、噪声较大的图像中仍能实现鲁棒的边缘检测。