[论文解读] Image Segmentation by Size-Dependent Single Linkage Clustering of a Watershed Basin Graph

Aleksandar Zlateski, H. Sebastian Seung|arXiv (Cornell University)|May 1, 2015

Medical Image Segmentation Techniques参考文献 8被引用 46

一句话总结

本文提出了一种准线性时间的分层图像分割方法，通过结合分水岭盆地过度分割与基于大小的单链聚类，减少在大型3D电子显微镜图像中的过度分割。通过修改单链聚类以整合关于分割大小的先验知识，该方法在最小化合并错误的同时实现了更高的分割精度，在基准神经图像数据集上优于现有方法。

ABSTRACT

We present a method for hierarchical image segmentation that defines a disaffinity graph on the image, over-segments it into watershed basins, defines a new graph on the basins, and then merges basins with a modified, size-dependent version of single linkage clustering. The quasilinear runtime of the method makes it suitable for segmenting large images. We illustrate the method on the challenging problem of segmenting 3D electron microscopic brain images.

研究动机与目标

• 解决标准分水岭变换在3D电子显微镜脑图像中导致的严重过度分割问题。
• 开发一种后处理方法，通过基于大小的合并准则，分层合并分水岭盆地。
• 实现具有准线性时间复杂度的高效、可扩展的千兆尺度3D图像分割。
• 通过在聚类过程中整合真实分割大小的先验知识，提高分割精度。
• 在计算复杂度相近的挑战性神经图像数据集上，超越现有最先进方法。

提出的方法

• 该方法从一个非亲和图开始，其中较低的边权重表示体素相似性的高可能性。
• 应用最陡下降分水岭变换对图像进行过度分割，生成盆地，并一致处理平面区域和边界顶点。
• 在盆地之上构建一个新图，其中盆地之间的边权重被设置为原始图中它们之间最小的边权重。
• 对这一盆地图应用单链聚类，但通过引入基于大小的判定条件进行修改，以防止小于最小尺寸的聚类被合并。
• 该判定条件使用函数 ω(w) 调整基于分割大小和边亲和力的合并阈值，确保大小感知的合并。
• 算法按边权重非递减顺序处理边，并使用并查集数据结构维护聚类，从而实现准线性时间复杂度。

实验结果

研究问题

• RQ1 基于大小的单链聚类策略是否能在不引入过多合并错误的情况下减少基于分水岭的图像分割中的过度分割？
• RQ2 在3D电子显微镜中，整合预期分割大小的先验知识在多大程度上影响分割精度？
• RQ3 所提方法是否能在保持低计算复杂度的同时，优于现有准线性方法？
• RQ4 对非亲和图进行阈值预处理在多大程度上提升了最终分割的质量？
• RQ5 在神经图像数据上，与Felzenszwalb等人[5]的最先进方法相比，该方法在分割错误和合并错误方面表现如何？

主要发现

• 所提方法在分割错误和合并错误评分上均优于Felzenszwalb等人[5]的方法，表明其分割错误更少。
• 当 ω(w) = 3000(1−w) 时，该方法生成的分割结果与人类专家标注的真值高度一致，如图4(b)所示。
• 与标准分水岭和预处理分水岭相比，该方法显著减少了过度分割，同时引入了几乎可忽略的合并错误。
• 当将[5]中的参数k调整为与本方法的合并次数相当时，该方法引入了大量分割错误，证明了基于大小的策略具有明显优势。
• 该方法的准线性运行时间使其适用于大规模3D电子显微镜图像的分割，如256³数据集。
• 由于在凝聚步骤中聚类大小单调递增，基于大小的聚类判定条件得以高效实现，从而支持快速的并查集操作。