[论文解读] Local regularity, wavelet leaders and total variation based procedures for texture segmentation

Nelly Pustelnik, Herwig Wendt+2 more|arXiv (Cornell University)|Apr 22, 2015

Medical Image Segmentation Techniques参考文献 57被引用 4

一句话总结

本文提出了一种新颖的纹理分割方法，结合通过小波领导者估计的局部规律性与基于全变差的变分公式，以解决局部规律性估计中的偏差-方差权衡问题。通过利用多尺度小波领导者和邻近优化方法，该方法在合成纹理和真实世界纹理中实现了更精确的边缘定位与更强的鲁棒性，从而实现准确的变化检测。

ABSTRACT

Texture segmentation constitutes a standard image processing task, crucial to many applications. The originality of the present approach resides in the combination of three key ingredients: First, texture characterization relies on the concept of local regularity ; Second, estimation of local regularity is based on new multiscale quantities referred to as wavelet leaders ; Third, segmentation from local regularity faces a fundamental bias variance trade-o: In nature, local regularity estimation shows high variability that impairs the detection of changes, while a posteriori smoothing of regularity estimates precludes from locating correctly changes. Instead, the present contribution proposes several variational problem formulations based on total variation and proximal resolutions that eectively circumvent this trade-o. Performances of the proposed procedures are quantied and compared on synthetic as well as realworld textures.

研究动机与目标

• 解决纹理分割中局部规律性估计的根本偏差-方差权衡问题。
• 通过降低规律性估计的变异性，提高纹理边界的准确性和定位精度。
• 开发基于全变差的变分公式，有效正则化局部规律性图，同时避免边缘模糊。
• 将小波领导者整合为一种鲁棒的局部规律性度量，用于纹理表征。
• 在合成纹理和真实世界纹理数据集上评估并比较所提方法的性能。

提出的方法

• 该方法使用小波领导者——一种从小波系数导出的多尺度量——来估计图像每个位置的局部规律性。
• 局部规律性被计算为霍尔德规律性的度量，用于捕捉多尺度下的纹理粗糙度与平滑度。
• 引入一种变分框架，通过最小化基于全变差的能量泛函来正则化估计的规律性图。
• 采用邻近算法高效求解所得优化问题，并保持边缘锐利。
• 该方法在保持结构细节的同时，平衡了对估计规律性的保真度与平滑性约束，从而最小化噪声放大。
• 通过在正则化后对规律性图进行阈值处理实现分割，从而实现纹理区域的清晰分离。

实验结果

研究问题

• RQ1 如何有效利用小波领导者来估计纹理图像中的局部规律性？
• RQ2 全变差正则化在不模糊纹理边界的情况下，能在多大程度上降低局部规律性估计的方差？
• RQ3 所提出的变分公式是否能在检测纹理过渡方面优于标准正则化技术？
• RQ4 所提方法在不同类型的纹理（包括合成与真实世界图像）上的表现如何？
• RQ5 不同参数选择对分割精度与鲁棒性有何影响？

主要发现

• 基于小波领导者的规律性估计能够敏感且多尺度地表征纹理的粗糙度与平滑度。
• 基于全变差的变分公式成功缓解了偏差-方差权衡问题，生成了更可靠的规律性图。
• 邻近求解器实现了高效且稳定的优化，同时在正则化过程中保留了细微的纹理细节。
• 在合成纹理上，该方法实现了卓越的分割精度，尤其在检测微弱过渡方面表现突出。
• 在真实世界纹理数据集上，该方法在不同纹理模式和噪声水平下均表现出强健的性能。
• 定量比较显示，与基线方法相比，该方法在F1分数和边界定位精度方面均有提升。