[论文解读] The iterative convolution-thresholding method (ICTM) for image segmentation

Dong Wang, Xiaoping Wang|arXiv (Cornell University)|Apr 24, 2019

Medical Image Segmentation Techniques被引用 8

一句话总结

本文提出了一种迭代卷积-阈值法（ICTM），这是一种用于图像分割的简单且高效的算法，通过特征函数隐式表示分割边界，以最小化变分能量泛函。该方法使用热核卷积近似正则化项，并通过卷积与阈值化迭代更新解，确保能量衰减和在多种分割模型下的鲁棒收敛。

ABSTRACT

In this paper, we propose a novel iterative convolution-thresholding method (ICTM) that is applicable to a range of variational models for image segmentation. A variational model usually minimizes an energy functional consisting of a fidelity term and a regularization term. In the ICTM, the interface between two different segment domains is implicitly represented by their characteristic functions. The fidelity term is then usually written as a linear functional of the characteristic functions and the regularized term is approximated by a functional of characteristic functions in terms of heat kernel convolution. This allows us to design an iterative convolution-thresholding method to minimize the approximate energy. The method is simple, efficient and enjoys the energy-decaying property. Numerical experiments show that the method is easy to implement, robust and applicable to various image segmentation models.

研究动机与目标

• 解决图像分割中非凸变分能量泛函的最小化挑战，特别是涉及复杂正则化项和保真项的情况。
• 为多种分割模型（包括Mumford-Shah、Chan-Vese、LIF、LGIF和LSAC）开发一个统一的数值框架。
• 通过引入更简单、更高效的迭代方案，克服传统水平集方法存在的数值不稳定性和收敛缓慢问题。
• 确保迭代过程中无条件稳定且能量持续衰减，以提升鲁棒性和收敛速度。

提出的方法

• 使用分割区域的特征函数隐式表示分割边界。
• 通过特征函数的热核卷积近似能量泛函中的正则化项，实现平滑且可微的更新。
• 将保真项重写为特征函数的线性泛函，以简化优化过程。
• 设计一种迭代算法，交替进行基于卷积的能量最小化和阈值化操作以更新分割结果。
• 采用类似邻近点法的方案，引入时间参数τ，确保每轮迭代中能量衰减。
• 使用热核Gτ(x) = (1/(4πτ))exp(-|x|²/(4τ))近似正则化项，通过快速傅里叶变换实现高效计算。

实验结果

研究问题

• RQ1 能否为一类广泛的变分图像分割模型开发出统一、高效且稳定的数值方法？
• RQ2 所提出的ICTM是否在迭代过程中保证能量衰减，从而确保收敛而无需精细调参？
• RQ3 在不同分割模型下，ICTM与成熟的水平集方法相比，在收敛速度和鲁棒性方面表现如何？
• RQ4 ICTM能否在不显式依赖边缘检测的情况下，有效处理强度非均匀性和复杂图像结构？
• RQ5 该方法是否对分割数量不敏感，从而适用于多相分割任务的可扩展性？

主要发现

• ICTM在每轮迭代中均表现出能量衰减行为，其数学分析已证明近似能量泛函的衰减性。
• 在所有测试实例中，ICTM的收敛迭代次数显著少于水平集方法，展现出更高的效率。
• 数值实验表明，该方法鲁棒且对分割数量不敏感，在多相分割中仍保持稳定性。
• ICTM实现简单，且无条件稳定，迭代方案中对时间步长无任何限制。
• 由于其通用的公式化设计，该方法可广泛适用于多种分割模型，包括CV、LIF、LGIF和LSAC。
• 使用热核卷积可实现对正则化项的平滑近似，从而提升数值稳定性和收敛性能。