选择性特征融合为基础的自适应图像分割算法

文摘

图像分割是计算机视觉和模式识别中的一项关键任务。对图像分割有两个关键的挑战。是找到最歧视的图像特性集得到高质量的部分。另一种是实现良好的性能在各种图像。在本文中,我们首先提出一个选择性特征融合算法选择最佳特性集通过评估presegmentation的结果。具体来说,该方法融合选择特性和熔融特性适用于区域增长分割算法。得到更好的部分在不同的图像,我们进一步开发一个算法来改变阈值自适应地为每个图像通过测量区域的大小。每个图像的自适应阈值可以取得更好的性能比固定阈值。实验结果证明我们的方法提高性能的传统地区增加选择性特征融合和自适应阈值。此外,我们的算法获得可喜的成果和优于一些流行的方法。

1。介绍

图像分割在计算机视觉中起着重要作用并可以应用于各种领域,如地区建议代(1- - - - - -3],人脸识别[4),和疾病检测5- - - - - -8]。有很多种图像分割算法,如edge-based提出,基于阈值和基于图像分割算法。基于边缘的算法(7,9,10)实现良好的性能在图像的边界对象不同,但这些方法的抗噪音要求较高的图像质量。提出(11- - - - - -13和基于阈值的14- - - - - -16]分割方法将像素合并到区域的特性,如颜色、纹理,或它们的组合。然而,对于一个特定的形象,有一些冗余特性在分割不发挥作用。合并这些特性与他人要求大量的计算。基于图论的算法(8,17,18)通常需要前景或背景初始化种子的能量函数。种子通常是手动标记,这意味着基于方法可能不段自动图像。因此,这一方法不仅可以选择最好的特征组合,还需求的最优阈值。

近年来出现的各种特征选择和自适应图像分割算法。特征选择算法(19,20.)可以选择一个有效的特征子集,而不是整个特性集,以减少时间和空间消耗。大多数自适应算法集中检测集群中心像素自适应(21),在分段改变像素的局部信息(22),或确定最佳阈值14,15]。然而,一些作品关注如何结合特性,选择阈值自适应地根据不同的图像,可以获得准确的分割性能与高变化图像。我们的直觉是,对于一个特定的形象,合并一些种类的特性将有助于生产高质量图像片段比只使用一种功能,但不合并其他特性。要充分利用多个特性的图像,这是至关重要的选择和组合最歧视的特性。在获得最好的特征组合,提出的最重要的挑战是确定最优阈值分割算法决定是否合并小区域。

我们曾引入了优化的自动种子区域生长(OASRG) [23)算法,定位种子的亲和力传播(美联社)聚类算法和生长区域的颜色和边缘特征。虽然算法可以部分图片没有人机交互,它不能调整阈值自适应地根据不同的图像或选择最好的特征组合。OASRG算法基础上,我们进一步提出基于选择性特性融合的图像分割(SFF-IS)算法来提高以前作品的性能。为了段图像自动SFF-IS算法继承的方法找到从OASRG种子和特征提取算法。不同于之前的报道,SFF-IS算法涉及(1)将结构特性添加到原始特性,(2)为更好的性能,选择有效的特征组合自适应和(3)改变阈值根据不同的图像在区域生长。

我们算法的性能定量测量在2007年帕斯卡VOC分割数据集(24]。我们使用实验室,枸杞多糖,精明的特性,及其组合,帮助部分图像。OASRG算法相比,我们的方法提高性能的选择性特征融合和自适应阈值。此外,实验结果表明我们的算法比一些流行的方法可以产生卓越的图像部分。

本文的其余部分组织如下。在相关工作的一部分,我们将介绍以前的特征选择和自适应细分工作。在我们的方法中,我们将详细描述我们的算法的管道。在部分的实验中,我们将介绍实验,包括实验设置和结果。最后,我们将部分得出本文的结论

2。相关工作

2.1。图像分割

在过去,一些作品已成为最先进的图像分割方法。分水岭(25)及其改进版本(26)执行一个梯度上升从局部最小值生产领域,通常高度不规则的形状和大小。邓et al。27)提出了联合系统工程集团(JSEG)算法,实现一致的分割和跟踪结果真实图像和视频。Comaniciu et al。28)提出了一个通用非参数技术意味着转变。Felzenszwalb et al。29日]介绍了一种基于图像分割算法,保留细节在高可变性地区低变异性地区而忽略细节。最近,一定程度的注意力给混合特性,结合两个或更多的特性。Arbelez et al。10)开发了光谱clustering-based轮廓探测器,轮廓检测器的输出是结合亮度,颜色,纹理梯度生成一个树层次区域。Achanta et al。30.,31日]介绍了一个简单的线性迭代聚类(SLIC)算法来提高分割性能之间有良好的平衡速度和准确性。Storath et al。32)提出了一种快速分裂的方法来解决图像分割问题,生产质量可比的结果与图削减和凸松弛策略。

2.2。特征选择在图像分割

特征选择是一个重要的任务在机器学习来提高算法的性能(33]。大量的功能详细描述图片。另一方面,并不是所有的特征是必不可少的分割,因为很多都是多余的,甚至无关(34]。这些冗余的功能可能会降低性能。罗等。35)开发一个有效的特征选择方法选择的一组混合颜色特征或渠道根据像素的最小熵原理频率直方图分布。梁等。18)开发了一种基于遗传规划的细分方法,实现良好的性能区别对象或背景。冯et al。17)提出了交互式分割算法选择一个本地特性来决定一个像素的标签。他们的算法的表现要好于RGBD用更少的用户输入图像。程等。19)开发的层次特征选择方法在速度和分割质量证明其优势。在本文中,我们提出一种选择性特征融合算法选择最佳特性集通过评估presegmentation的结果。我们的算法融合选择特性和熔融特性适用于图像分割算法。

2.3。自适应细分

调整参数段不同的图像的方法统称为自适应分割。clustering-based图像分割中使用的自适应参数总是找到集群的数量和对应的中心。在这种精神,一些作品旨在培养适应clustering-based分割方法,如(21,22]。基于阈值的方法,总是有不同的阈值对不同类型的数据。因此,自动确定最优阈值分割尤为重要。的自适应基于阈值的算法14调整阈值分割图像时,把最好的当地和全球形象信息。郭et al。15)提出了一种自适应阈值的方法。与二维熵阈值获得了与不同的进化和优化。对每个图像得到最好的部分,我们提出一种自适应分割算法变化阈值根据不同的图像在区域生长。

3所示。我们的方法

SFF-IS算法提出了将图像划分为多个区域通过聚合种子像素周围像素具有类似特征。该方法的管道包括5个主要步骤,如图1。首先,对于一个给定的图像,种子像素被亲和传播聚类算法自动定位。其次,特征包括颜色、纹理和边缘提取每个像素。第三,一个功能选择器基于反馈法官特性将有助于取得更好的分割性能。第四,计算最优阈值自适应地根据选定的特征。最后,根据每个像素的特征组合和最优阈值,分割图像的面具是由地区增长。

区域增长算法,种子的位置就很重要。一个种子点通常股票高相似性与周边像素和能代表该地区。这个种子的特征点非常类似于集群中心代表其集群。在这种精神中,我们提出了自动播种(作为)算法来定位种子点23]。首先将图像分成的方法super-pixel块,然后利用亲和力传播聚类算法(36在这些街区。的实验结果23)表明,我们的自动播种算法比手动播种算法更有效。

3.1。特征提取

众所周知,不同的特征描述图像的不同特征。因此,它是有意义的提取各种功能,以更好地描述图像。图2展示了几个面具细分不同的图像所产生的结果与他们的不同的特征,包括颜色、纹理和边缘特征。

颜色是图像分割中应用最广泛的特性之一。所有的颜色空间,RGB模型是最常用的颜色。但是对于图像分割任务,CIELAB颜色空间已经被证明是非常有用的由于其一致性与人类视觉系统(10]。

纹理是另一个有用的财产分割,尤其是当结合其他功能。局部二进制模式(LBP) (37)是一种强大的纹理特征,强调局部结构,因此对旋转和非均匀照明的优势具有鲁棒性(38]。

边缘探测器产生对象的轮廓。精明的边缘检测器本身增加了nonmaximum抑制和自适应阈值与磁滞39]。虽然这些轮廓不能保证被关闭,他们可以提供一个完美的补充其他特性。

因此,实验室的颜色,LBP纹理,和精明的边缘特征提取和融合图像分割。

3.2。选择性特征融合

众所周知,不同的功能组合可以提供不同的信息。然而,许多功能是多余的,甚至无关的图像分割。选择性特征融合集中在最相关的特征子集选择不同的图像和合并这些特性。

我们的直觉是,最好的特性集随不同的图像。我们发现颜色特性在大多数图片做的很好,但对一些图片的颜色是无用的不连续和各种。纹理特征,作为补充,有助于这些照片。对于精明的特性,给出的公式计算的重要性,精明的边缘(见(1))。 在哪里和代表像素 和 。是一组像素属于精明的边缘。是一组像素属于一个映像。

基于以上观点,我们提出一种选择性特征融合算法(参见算法(设定触发器)1)选择功能是用来段一定的形象。

3.3。自适应阈值

地区日益增长的计算特性种子点和相邻点之间的相似性。通过比较相似度阈值,算法决定邻居点是否被合并。因此,阈值是地区发展的一个重要参数。固定阈值缺乏概括能力和高的变化不能实现准确的分割图像。因此,我们提出一种自适应阈值方法(参见算法2)。两个像素之间的相似度计算函数 (见(2)) 在哪里和是th维度的特性和 。 特征空间的维数。 是一个相似度函数之间的特征吗和 。自适应阈值计算 在哪里和的特点是和 。 代表了该地区从种子生长 。 区域像素的数量 。

3.4。基于融合的图像分割有选择性的特点

自动寻找不同的图像的有效特征子集,我们提出一个基于选择性特征融合图像分割(SFF-IS)算法在本节中。SFF-IS算法使用特征子集,而不是所有功能段图像,不断将种子像素与周围像素的相似性。这个决定是由计算的价值 通过 在哪里和代表种子点及其邻居点。 , ,和是选择的结果,在哪里 意味着选择相应的功能。和的特点是和 。 和阈值。是一组像素属于精明的边缘。 代表合并像素和像素 。如果一个点属于 ,关键是一个边缘点,不能合并。分割过程描述为算法所示3。

4所示。实验

4.1。特征选择

我们评估我们的算法2007年帕斯卡VOC分割数据集(24]。我们使用实验室,枸杞多糖,精明的特性,以及他们的组合段图像并计算绝对调整兰德指数(AARI) [40)测量成对相似性提出分割和地面真理。AARI范围从来 。

图形图像如图5例子的结果3。可以看出,在005043号飞机不是由实验室或分段精明的形象,都是005043号。通过结合两个或三个功能,对象更容易区别于背景。此外,设定触发器算法适用于不同的功能组合的基础上不同的图像,这有助于生成高质量的分割面具比合并功能。

图4显示了AARI值五个例子图片分割不同的功能组合。我们可以看到从图4有时一个功能可以不段图像。例如,实验室不段005043号颜色特性,得到AARI最低的结果。精明的特性具有相同的性能在005043号和006946号。融合两个特性可以增加AARI的价值,但对相同的图像不同的组合有不同的影响。002619号,我和LA + C都大幅提高性能,而磅+ C仅得到相同的值AARI枸杞多糖。另一方面,合并功能由三个功能没有得到最高AARI中五个图片,尽管设定触发器功能在所有五个图片,选择有效的特征子集。总之,合并更多的功能不承诺获得更好的性能,并选择最好的特征组合将产生准确的片段。

来证实我们的假设,我们对训练数据进行相同的实验,没有设定触发器算法,然后计算平均AARI每个方法。结果如图5。实验室,枸杞多糖,精明的特性得到非常小的AARI价值,因为他们每个人不能详细描述一幅图像。此外,合并三个特性没有得到更好的性能比两个特性,证明了前面提到的结论。在整个数据集,LA + C产生可比段设定触发器的方法。这样或那样的方式,平均AARI设定触发器的分割算法是最高的,超过第二好的 。结果表明,设定触发器并提高分割精度。

4.2。自适应阈值

正如我们上面描述的,自适应阈值初始化。在[23),我们的实验表明, 实验室的颜色是最好的阈值特性。在本节中,我们使用相同的方法来探索最优阈值和枸杞多糖和实验室+枸杞多糖。我们部门培训相应的数据用不同的阈值和计算平均AARI。图6显示平均AARI随阈值。此外, 和 枸杞多糖的最优阈值分别是和实验室+枸杞多糖。因此,我们组 , , 初始化阈值。

然后,我们应用自适应阈值算法的不同组合的特性和计算AARI分割结果。图7表明我们的自适应阈值算法实现更好的性能比固定阈值的四种功能组合。实验结果表明,我们的方法可以改善他们的表现当插入其他基于阈值的方法。

4.3。图像分割

我们比较算法的性能与其他方法:OASRG [23],WS [25],gbi [29日],JSEG [27],SLIC [30.],GPU-SLIC [31日],FPVVI [32]。我们使用AARI [40)和分割覆盖(覆盖)(10)来衡量分割结果。覆盖旨在评估平均提出分割重叠和地面真理。图8表明我们的算法优于其他方法AARI和覆盖。通过选择性的特征选择方法和自适应阈值,改进了原方法的性能。总之,我们的算法是证实它在大多数情况下可以产生高质量的图像部分。

5。结论

在本文中,我们提出一个基于选择性特征融合图像分割(SFF-IS)算法的自适应阈值,由种子的决心,特征提取,选择功能融合,基于自适应阈值确定,和区域增长分割。我们的算法可以自动选择不同的图像的有效特征子集和自适应阈值在区域生长变化。我们在2007年帕斯卡VOC数据集进行实验。结果表明我们的算法提出了改进了以前的作品和优于其他分割方法的性能。

的贡献我们的算法包括(1)充分利用图像特征通过选择一个有效的特征子集,以取得更好的性能,(2)自适应地改变阈值根据不同的功能组合在地区生长,从而达到更好的分割性能不同的图像。

特征提取是图像分割的一个重要过程。在未来的工作中,我们将为图像分割提取更多的特性,以提供更多的信息和扩展我们的选择性特征融合算法对这些特性。作为特征提取对图像分割使用深度学习取得了好成绩,我们未来的工作重点是将我们的方法与深度学习模型。

数据可用性

之前报道2007年帕斯卡VOC数据被用来支持这项研究和可用http://www.pascal-network.org/challenges/VOC/voc2007/workshop/index.html或http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html。这些先前的研究(和数据)援引在文本里的相关位置(24]。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是国家重点支持的部分研发项目批准号213年,中国国家自然科学基金批准号下61573259,和公安部的特殊项目批准号20170004。

引用

1. 王x陈,h .妈,x, z赵,“改善对象建议multi-thresholding拔地而起,与扩张”计算机视觉和模式识别,第2595 - 2587页,2015年。视图:谷歌学术搜索
2. Gevers j . r . Uijlings k . e . Sande t . et al .,“选择性搜索对象识别,”国际计算机视觉杂志》上,卷134,不。2、154 - 171年,2013页。视图:谷歌学术搜索
3. b . m . y . Lee Jun, w,“基于多栅的自动图像标注模型图像分割和目标识别,”多媒体的发展ID 857682条,卷。2014年,7页,2014。视图:谷歌学术搜索
4. j . Krause h·金、j·杨和之。李,“细粒度识别没有注释的一部分,”《IEEE计算机视觉与模式识别会议,CVPR 2015IEEE,页5546 - 5555年,波士顿,MA,美国,2015年6月。视图:谷歌学术搜索
5. S.-L。惟,c .林w . Xu w·林,d . Wang和k·肖,”小波滤波器的动态结合模糊c有效和noise-insensitive图像分割先生”国际期刊的计算智能系统,8卷,不。5,796 - 807年,2015页。视图:出版商的网站|谷歌学术搜索
6. p . Maji美国罗伊,c . Lenglet”Rough-Fuzzy集群和非监督特征选择基于小波的图像分割先生”《公共科学图书馆•综合》,10卷,不。4 p . e0123677 2015。视图:出版商的网站|谷歌学术搜索
7. a·卡迪诉桑切斯,C.-T。李,“加权水平集演化基于局部边缘特征的医学图像分割,“IEEE图像处理,26卷,不。4、1979 - 1991年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
8. w . Ju, d, b, l . Wang Kopriva, x陈,“随机漫步和图切co-segmentation PET-CT-images肺肿瘤,”IEEE图像处理,24卷,不。12日,第5867 - 5854页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
9. 美元和c·p·l·Zitnick“快使用结构化森林边缘检测,”IEEE模式分析与机器智能,37卷,不。8,1558 - 1570年,2014页。视图:谷歌学术搜索
10. p . Arbel m .莫雅,c . Fowlkes轮廓检测和分级图像分割,“IEEE模式分析机器智能,33卷,不。5,898 - 916年,2011页。视图:出版商的网站|谷歌学术搜索
11. J.-L。玫瑰,t . Grenier、c . Revol-Muller和c . Odet“统一的变分方法和区域生长分割,”信号处理程序的发布会上,EUSIPCO 2015IEEE,页1781 - 1785年,不错,蔚蓝海岸,法国,2015年。视图:谷歌学术搜索
12. m·a·Hasnat o . Alata, a . Tremeau”联合Color-Spatial-Directional集群和区域合并(JCSD-RM)无监督RGB-D图像分割,“IEEE模式分析与机器智能,38卷,不。11日,第2268 - 2255页,2016年。视图:出版商的网站|谷歌学术搜索
13. 李z . g . Liu d·张,y,“强大的求解图像分割基于突出的过渡区,”模式识别52卷,第331 - 317页,2016年。视图:出版商的网站|谷歌学术搜索
14. z Ju, j .周x王,问:,“基于自适应阈值边缘检测和图像分割的意思是转变,”学报》第四届IEEE软件工程国际会议和服务科学,ICSESS 2013IEEE,页385 - 388年,北京,中国,2013年5月。视图:谷歌学术搜索
15. 李郭p和n”,基于微分进化自适应阈值图像分割,”学报》2015年第2信息科学与控制工程国际会议(ICISCE),第470 - 466页,上海,中国,2015年4月。视图:出版商的网站|谷歌学术搜索
16. f . Gallivanone m . Interlenghi c Canervari,卡斯蒂格利奥尼,“一个完全自动的,基于阈值的分割方法估计代谢肿瘤体积的宠物图片:验证3 d印刷拟人化肿瘤病变,“《仪器,11卷,不。1,C01022-C01022, 2016页。视图:谷歌学术搜索
17. j .冯b .价格,s·科恩,S.-F。常”,交互式分割RGBD图像通过提示选择,”学报2016年IEEE计算机视觉与模式识别会议,CVPR 2016IEEE,页156 - 164年,拉斯维加斯山谷,NV,美国,2016年7月。视图:谷歌学术搜索
18. f . Kang c . Wang j .李et al。”小猪多目标图像分割方法基于一种改进的非交互的GrabCut算法,”多媒体的发展卷,2018篇文章ID 1083876、9页,2018。视图:出版商的网站|谷歌学术搜索
19. y . m . m . Cheng刘,问:b .侯”HFS:分层特性选择高效的图像分割,”欧洲计算机视觉的诉讼施普林格,页867 - 882年,阿姆斯特丹,荷兰,2016年。视图:谷歌学术搜索
20. 梁y、m . Zhang和w·n·布朗“图形-背景图像分割利用遗传编程和特征选择,”进化计算,第3846 - 3839页,2016年。视图:谷歌学术搜索
21. r . Hettiarachchi和j·f·彼得斯,”泰森多边形法提出自适应无监督彩色图像分割,“模式识别卷,65年,第135 - 119页,2017年。视图:出版商的网站|谷歌学术搜索
22. y . g . Liu张,王,“将自适应本地信息纳入模糊聚类图像分割,“IEEE图像处理,24卷,不。11日,第4000 - 3990页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. z h .问:w . Li Wei, c·r·赵”优化自动种子区域生长算法与应用程序ROI提取,”国际期刊的图像和图形,17卷,不。4,1750024页,2017年。视图:谷歌学术搜索
24. m . Everingham l . Van干傻事,c . k . i威廉姆斯,“挑战2007帕斯卡的视觉对象类(VOC2007)结果,“http://www.pascal-network.org/challenges/VOC/voc2007/workshop/index.html。视图:谷歌学术搜索
25. l·文森特和p . Soille流域在数字空间:一个高效的算法基于浸模拟,”IEEE模式分析与机器智能,13卷,不。6,583 - 598年,1991页。视图:出版商的网站|谷歌学术搜索
26. 答:A . Yahya j . Tan, m·胡”小说基于分水岭算法的图像分割模型,”多媒体的发展ID 120798条,卷。2013年,8页,2013。视图:出版商的网站|谷歌学术搜索
27. y邓和b . s .希,“无监督分割彩色纹理区域的图像和视频中,“IEEE模式分析与机器智能,23卷,不。8,800 - 810年,2001页。视图:出版商的网站|谷歌学术搜索
28. d . Comaniciu p·米尔,“意味着转变:一个健壮的方法对特征空间分析,“IEEE模式分析与机器智能,24卷,不。5,603 - 619年,2002页。视图:出版商的网站|谷歌学术搜索
29. p . f . Felzenszwalb和d . p . Huttenlocher“高效的基于图像分割,”国际计算机视觉杂志》上卷,59号2、167 - 181年,2004页。视图:出版商的网站|谷歌学术搜索
30. r . Achanta a .沙棘k . Smith, a . Lucchi p . Fua和s . Susstrunk”SLIC superpixels先进的superpixel方法相比,“IEEE模式分析与机器智能,34卷,不。11日,第2281 - 2274页,2012年。视图:出版商的网站|谷歌学术搜索
31. c . y . Ren诉答:Prisacariu, i d·里德“SLIC superpixels超过250赫兹,”计算机科学,2015,https://arxiv.org/abs/1509.04232。视图:谷歌学术搜索
32. m . Storath和a . Weinmann”向量值图像快速分区”,暹罗成像科学》杂志上,7卷,不。3、1826 - 1852年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
33. 美国方、r . Wong和a . v . Vasilakos”加速PSO群搜索特征选择数据流挖掘大数据,”IEEE服务计算,9卷,不。1,33-45,2016页。视图:谷歌学术搜索
34. 雪,m . Zhang w·n·布朗和x姚明,“进化计算的特征选择方法,调查”IEEE进化计算,20卷,不。4、606 - 626年,2016页。视图:出版商的网站|谷歌学术搜索
35. j .马罗和j .“有效选择混合颜色特征的图像分割,”学报13 IEEE国际会议信号处理,ICSP 2016IEEE,页794 - 798年,成都,中国,2016年11月。视图:谷歌学术搜索
36. b·j·弗雷和d . Dueck集群数据点之间通过传递消息。”科学,卷315,不。5814年,第976 - 972页,2007年。视图:出版商的网站|谷歌学术搜索|MathSciNet
37. t . Ojala”、灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。视图:出版商的网站|谷歌学术搜索
38. Nie x Cai, f、h·黄和f·卡曼加“异质图像特性,通过多谱聚类集成”学报2011年IEEE计算机视觉与模式识别会议,CVPR 2011IEEE,页1977 - 1984年,科罗拉多斯普林斯,有限公司,2011年6月美国。视图:谷歌学术搜索
39. j .精明的边缘检测的计算方法,“IEEE模式分析与机器智能,8卷,不。6,679 - 698年,1986页。视图:谷歌学术搜索
40. l·休伯特和p . Arabie比较分区”,杂志的分类,卷2,不。1,第218 - 193页,1985。视图:出版商的网站|谷歌学术搜索

版权

版权©2018年任命李等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。