Efficient probability distribution function estimation for energy based image segmentation methods

Dedovic, Ines; Ohm, Jens-Rainer; Merhof, Dorit

doi:10.18154/RWTH-2016-10831

Efficient probability distribution function estimation for energy based image segmentation methods = Effiziente Abschätzung der Wahrscheinlichkeitsverteilungsfunktion für energiebasierte Methoden zur Bildsegmentierung

Dedovic, Ines

2016 & 2017

Verantwortlichkeitsangabevorgelegt von Diplom-Ingenieurin, Ines Dedović

ImpressumAachen 2016

Umfang1 Online-Ressource (viii, 144 Seiten) : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2016

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2017

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Ohm, Jens-Rainer (Thesis advisor) ; Merhof, Dorit (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2016-03-17

Online
URN: urn:nbn:de:hbz:82-rwth-2016-108317
DOI: 10.18154/RWTH-2016-10831
URL: https://publications.rwth-aachen.de/record/679001/files/679001.pdf
URL: https://publications.rwth-aachen.de/record/679001/files/679001.pdf?subformat=pdfa

Einrichtungen

Lehrstuhl und Institut für Nachrichtentechnik (613210)

Projekte

GARNICS - Gardening with a Cognitive System (247947) (247947)

Inhaltliche Beschreibung (Schlagwörter)
segmentation (frei) ; channel framework (frei) ; edge-detection (frei) ; image smoothing (frei) ; kernel density estimation (frei) ; population codes (frei) ; histograms (frei) ; Mumford-Shah (frei) ; Ambrosio-Tortorelli (frei) ; Chan-Vese (frei) ; Potts model (frei) ; Gibbs sampler (frei)

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
Diese Arbeit untersucht effiziente energiebasierte Methoden zur Bildsegmentierung, wenn nur wenige Vorkenntnisse über ein Objekt vorhanden sind. Die Dissertation wurde auf die Implementierung der stochastischen Ansätze konzentriert, die das Kanal-Framework für die Modellierung der Wahrscheinlichkeitsverteilungsfunktionen innerhalb der Datengleichungen der Energiefunktionen benutzt. Zusätzlich wurde ein Ansatz entwickelt, welcher den Block-Gibbs-Sampler innerhalt eines Kantenerkennungs-Algorithmus verwendet. Üblicherweise werden in ähnlichen Methoden zur Bildsegmentierung PWVFs (Posteriori Wahrscheinlichkeitsverteilungsfunktion) angenähert, indem entweder Histogramme oder KDS (Kerndichteschätzer) verwendet werden. Das Kanal-Framework versucht die Vorteile von beiden zu kombinieren, indem es die Komplexität ähnlich gering wie im Histogramm-Ansatz hält, jedoch darauf abzielt an gleiche Leistung wie die KDS-Methoden heranzukommen. Das Kanal-Framework kann als weiches Histogramm interpretiert werden, indem sich die Bins im Amplitudenraum überlappen. Dies ermöglicht Unterabstandsgenauigkeit, weshalb für Segmentierungsmethoden weniger Bins notwendig sind, um PWVFs besser als die ursprünglichen Histogramme anzunähern. Eine weitere Interpretation des Kanal-Frameworks ist, dass es sich um eine eigenständige Version des KDS-Ansatzes handelt. Auf diese Art gibt das Kanal-Framework eine angemessen schnelle Leistung, sogar für größere Bilder und die Berechnungszeit ist nicht vom Bildinhalt abhängig. Andererseits wird eine große Anzahl von Kanälen benötigt, um eine ähnliche Leistung wie bei der KDS-Methode zu erreichen. Es hat sich gezeigt, dass eine effiziente Implementierung trotzdem möglich ist, wenn eine Nachschlagetabelle benutzt wird, welche jedoch einen erhöhten Speicherbedarf als Kosten für die Verringerung der Berechnungskomplexität benötigt. Folgende Varianten der Bildsegmentierungsmethoden wurden durch den Einsatz des Kanal- Frameworks erweitert: automatische / unüberwachte Bildsegmentierung in zwei Regionen mit der Chan-Vese-Funktion; überwachte Bildsegmentierung in zwei Regionen mit der Chan-Vese-Funktion; interaktive Segmentierung in mehreren Regionen mit dem Potts-Model. Alle Methoden sind mit verschiedenen Auswertungsdatensätzen getestet worden. In den meisten Fällen hat das Kanal-Framework vergleichbare Ergebnisse zum aktuellen Stand der Technik erreicht und kann dazu effizienter implementiert werden. Zusätzlich zu den Segmentierungsmethoden wurde eine Methode zur Kantenerkennung eingeführt, welche einen stochastischen Ansatz zur Lösung der Ambrosio- und Tortorelli-Funktion durch die Verwendung des Block-Gibbs-Samplers liefert. Im Gegensatz zu den früheren Methoden werden ganze Bilder gleichzeitig, und nicht pixelweise, abgetastet. Dies führt zu einem schnelleren Konvergieren zur Lösung als bei der konventionellen konvexen Optimierung.

This work investigates efficient energy based image segmentation methods when only little prior knowledge about an object is given. It is concentrated on implementing stochastic approaches, utilizing the channel framework for modelling probability distribution functions within the data terms of energy functionals. In addition, an approach is developed that uses the block Gibbs sampler within an edge-detection algorithm. Traditionally, in related segmentation methods, PDFs are approximated using either histograms or kernel density estimation (KDE). The channel framework tries to combine advantages of both, keeping the complexity similarly low as in the histogram approach, while tending to approach similar performance as KDE methods. The channel framework can be interpreted as a soft histogram where bins overlap in the amplitude space. This allows sub-bin accuracy and, in segmentation methods, less bins are necessary to approximate the PDF better than by original histograms. Another interpretation of the channel framework is that it is a discrete version of the KDE approach. This way, the channel framework gives reasonably fast performance even for large images and the speed is not image content dependent. On the other hand, to achieve similar performance as KDE, a large number of channels is required. It is shown that an efficient implementation is still possible by using a look-up table, which however requires an increased amount of memory as the cost for the decrease in computational complexity. The following variants of image segmentation methods have been extended to use the channel framework: automatic/unsupervised image segmentation in two regions using the Chan-Vese functional; supervised image segmentation in two regions using the Chan-Vese functional; interactive segmentation in multiple regions using the Potts model. All methods have been tested on different evaluation data sets. In most cases, the channel framework has given comparable results to the state of the art, while being more efficient to implement.In addition to segmentation methods, an edge-detection method is introduced, which provides a stochastic approach to solving the Ambrosio and Tortorelli functional by using the block Gibbs sampler. Unlike previous approaches, whole images are sampled at once and not pixel-wise. This leads to a faster converging solution than conventional convex optimization.

OpenAccess:
PDF PDF (PDFA)
(additional files)