[论文解读] Spatial statistics, image analysis and percolation theory

Mikhail Langovoy, Michael Habeck+1 more|arXiv (Cornell University)|Oct 31, 2013

Advanced Electron Microscopy Techniques and Applications参考文献 7被引用 6

一句话总结

本文提出一种基于渗透理论的方法，用于在噪声图像中检测形状和强度未知的多个目标，利用空间扫描估计器在无参数假设下一致估计背景和信号水平。该方法在低信噪比和重尾噪声条件下，实现了高精度的冷冻电子显微镜颗粒挑选。

ABSTRACT

We develop a novel method for detection of signals and reconstruction of images in the presence of random noise. The method uses results from percolation theory. We specifically address the problem of detection of multiple objects of unknown shapes in the case of nonparametric noise. The noise density is unknown and can be heavy-tailed. The objects of interest have unknown varying intensities. No boundary shape constraints are imposed on the objects, only a set of weak bulk conditions is required. We view the object detection problem as a multiple hypothesis testing for discrete statistical inverse problems. We present an algorithm that allows to detect greyscale objects of various shapes in noisy images. We prove results on consistency and algorithmic complexity of our procedures. Applications to cryo-electron microscopy are presented.

研究动机与目标

• 解决在具有非参数、重尾噪声的二维图像中检测多个形状未知、强度各异的目标的挑战。
• 在目标位置和形状未知的情况下，开发背景强度 $ a $、信号强度 $ b $ 和噪声方差 $ \sigma^2 $ 的一致估计方法。
• 实现在低信噪比和颗粒形态不规则的冷冻电镜显微图像中可靠检测颗粒。
• 将检测问题形式化为弱结构假设下的离散反问题多重假设检验框架。
• 通过空间扫描估计器和渗透分析，确保算法的一致性和计算可行性。

提出的方法

• 使用空间扫描估计器识别 $ \varphi_0(N) \times \varphi_0(N) $ 的子方块，使其颗粒污染最小，从而确保背景强度 $ a $ 的一致估计。
• 定义 $ \widehat{a} = \varphi_0(N)^{-2} \sum_{v \in \widehat{K}} Y_v $，其中 $ \widehat{K} $ 是总和最小的子方块，用于估计背景水平。
• 使用阈值 $ \theta = (a + b)/2 $ 进行阈值处理，该阈值基于对 $ a $ 和 $ b $ 的空间扫描估计，以将潜在颗粒与噪声分离。
• 利用渗透理论检测阈值图像中的连通黑色簇，识别可能包含实际颗粒的区域。
• 过滤掉小簇（例如，少于30个像素）以减少误报，仅保留显著的连通分量作为颗粒候选。
• 利用大而孤立的噪声区域罕见的事实，将其用作背景估计的一致参考点。

实验结果

研究问题

• RQ1 在缺乏关于目标形状、大小或位置的先验知识的情况下，能否实现背景和信号强度的一致估计？
• RQ2 如何在未知噪声分布下，将多目标检测形式化为非参数多重检验问题？
• RQ3 在弱总体条件下，随着图像尺寸增大，检测所有颗粒的收敛速率如何？
• RQ4 渗透理论能否有效区分低信噪比图像中真实颗粒簇与随机噪声簇？
• RQ5 该方法在具有复杂非凸颗粒形状和重尾噪声的真实冷冻电镜显微图像中表现如何？

主要发现

• 当应用于 $ \varphi_0(N) \times \varphi_0(N) $ 的子方块且颗粒污染可忽略时，空间扫描估计器 $ \widehat{a} $ 对背景强度 $ a $ 的估计是一致的。
• 在对 2400×2400 冷冻电镜显微图像进行下采样和归一化后，该方法成功实现对 $ a = 0.319 $、$ b = 0.453 $ 和 $ \theta = 0.386 $ 的一致估计。
• 遗漏任意颗粒的概率随 $ \varphi_1(N) $ 指数衰减，其上界涉及 $ \pi(N) \ln 2 - C_1 \varphi_1(N) $，确保当 $ N \to \infty $ 时检测概率极高。
• 误报检测率受纯噪声中大小至少为 $ \varphi_1(N) $ 的渗透簇概率的限制，该概率已知会迅速衰减。
• 在过滤掉少于30个像素的簇后，该方法成功在冷冻电镜显微图像中分离出颗粒候选，如图1所示。
• 该算法对重尾噪声具有鲁棒性，且无需对噪声分布作参数假设或对颗粒形状施加约束。