[论文解读] Progressive Tree-like Curvilinear Structure Reconstruction with Structured Ranking Learning and Graph Algorithm

Seong-Gyun Jeong, Yuliya Tarabalka+2 more|arXiv (Cornell University)|Dec 8, 2016

Automated Road and Building Extraction参考文献 28被引用 3

一句话总结

该论文提出了一种基于图的新型方法，通过结构化排序学习与测地线路径优化，实现对树状曲线结构的重建。通过结构化SVM学习方向感知的特征排序，并从最少像素逐步构建拓扑准确的结构，该方法在多种数据集（如视网膜血管、道路网络和裂缝）上实现了最先进的F1分数，并显著减少了像素使用量。

ABSTRACT

We propose a novel tree-like curvilinear structure reconstruction algorithm based on supervised learning and graph theory. In this work we analyze image patches to obtain the local major orientations and the rankings that correspond to the curvilinear structure. To extract local curvilinear features, we compute oriented gradient information using steerable filters. We then employ Structured Support Vector Machine for ordinal regression of the input image patches, where the ordering is determined by shape similarity to latent curvilinear structure. Finally, we progressively reconstruct the curvilinear structure by looking for geodesic paths connecting remote vertices in the graph built on the structured output rankings. Experimental results show that the proposed algorithm faithfully provides topological features of the curvilinear structures using minimal pixels for various datasets.

研究动机与目标

• 解决在低对比度和复杂几何结构图像中重建拓扑准确的曲线结构的挑战。
• 克服基于阈值的分割方法和中心线方法在保持节点与连通性方面的局限性。
• 通过监督学习学习图像块的结构化排序，以反映其与潜在曲线结构的合理性。
• 通过在基于排序得分构建的图上识别测地线路径，逐步重建曲线结构。
• 在保持拓扑保真度的前提下最小化像素使用量，适用于多种数据集。

提出的方法

• 使用可导向滤波器计算定向梯度特征，从图像块中提取局部曲线结构模式。
• 训练结构化支持向量机（SSVM）进行序数回归，根据与潜在曲线结构的形状相似性对图像块进行排序。
• 通过局部主方向将每个图像块对齐至基准方向（水平方向），以确保特征表示的旋转不变性。
• 构建图结构，其中节点对应排序后的图像块，边表示空间连通性。
• 通过迭代识别并扩展图中远端顶点之间的测地线路径，实现渐进式重建。
• 采用基于拓扑重要性的排序，优先在重建序列中添加主干分支和细节。

实验结果

研究问题

• RQ1 结构化排序学习能否有效捕捉图像块与潜在曲线结构之间合理的可能性？
• RQ2 基于排序的图上进行测地线路径计算，能否以最少的像素使用量重建拓扑准确的曲线结构？
• RQ3 所提方法在保持节点与连通性方面，与分割方法和中心线检测方法相比表现如何？
• RQ4 该方法在具有不同纹理与结构复杂度的多样化数据集上，泛化能力如何？
• RQ5 该方法能否在显著少于最先进方法的像素使用量下，实现高F1分数？

主要发现

• 所提方法在RecA（0.59）、Aerial（0.59）和Cracks（0.38）数据集上均取得了最高的F1分数，优于所有对比方法。
• 在DRIVE数据集上，该方法取得了0.36的F1分数，略低于最佳表现方法，原因在于二值模式建模中厚度参数固定。
• 该方法在DRIVE数据集上仅使用了0.17%的像素，显著低于Sironi等人（5.41%）和Becker等人（12.67%），表明其具有更高的效率。
• 算法成功重建了视网膜图像和裂缝图像中的细小分支与节点，如图6中的中间重建步骤所示，展示了渐进式拓扑细节恢复能力。
• 尽管训练数据集相对较小且不完美，该方法在所有数据集上均表现出稳健性能，包括Cracks等高纹理复杂度数据集。
• 该方法依赖于结构化排序与测地线路径选择，即使在部分遮挡或低对比度条件下，也能忠实保留拓扑特征。